Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Álgebra Lineal
Julio 29 de 2017
Última versión en
http://textodealgebralineal.blogspot.com.co/
Luis F. Moreno S.
Antioquia–Colombia
ii Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Realizado en Antioquia–Colombia
Agosto de 2017
Índice general
Prólogo v
Introducción vii
Preliminares ix
2 Determinantes 75
2.1 Propiedades de los determinantes . . . . . . . . . . . . . . . . . . 78
2.2 Determinantes por cofactores . . . . . . . . . . . . . . . . . . . . 89
2.3 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.4 Uso de determinantes para calcular áreas en R2 . . . . . . . . . . 101
3 Vectores en Rn 105
3.1 Vectores en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2 Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.3 Aplicaciones de vectores en R3 . . . . . . . . . . . . . . . . . . . 143
iv Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Se sabe hasta ahora que los orı́genes del álgebra lineal se remontan a los babi-
lonios en el siglo XXI antes de Cristo. Un ejemplo es el escrito en una de las
famosas tablillas de Croquetta:
Existen dos campos cuyas áreas suman 1800 yardas1 cuadradas. Uno
produce granos en razón de 2/3 de saco por yarda cuadrada, mientras
que el otro produce granos en razón de 1/2 saco por yarda cuadrada.
Si la producción total es de 1100 sacos, ¿cuál es el tamaño de cada
campo?
Se conoce también el papiro Rhind, del año 1650 antes de cristo, del sacerdo-
te egipcio Áhmes, donde se consideran ecuaciones de primer grado. Luego, los
matemáticos chinos, durante los siglos III y IV antes de cristo, continuaron la
tradición de los babilonios con los primeros métodos del pensamiento lineal. Por
ejemplo, el método para la solución de problemas lineales, que es conocido co-
mo la regla fan-chen, que trascendió en lo que hoy es conocido como el método
de eliminación gaussiana. Luego vendrı́an los aportes de los islámicos y de los
europeos.
Actualmente, el álgebra lineal estudia, entre otros, conceptos tales como:
matrices, sistemas de ecuaciones lineales, determinantes, vectores, espacios vec-
toriales, y valores y vectores propios. Estos conceptos tienen conexiones con áreas
prácticas y teóricas como: las ingenierı́as, economı́a, fı́sica, astronomı́a, gráficas
por computador, análisis funcional, ecuaciones diferenciales e investigación de
operaciones, entre otros.
Nos proponemos en las próximas lı́neas entender los conceptos básicos de
estos temas mediante sencillos ejemplos y ejercicios operativos, prácticos y abs-
tractos.
1
Medida de longitud del sistema inglés que equivale a 91,4 centı́metros
viii Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Preliminares
Prueba.
1
Sea ax2 + bx + c = 0 y a 6= 0, por hipótesis
2
x2 + ab x + c
a = 0, dividiendo por a
b c
3
x2 + ax = −a, sumando − ac a ambos lados
b 2 b 2 b 2
b
4
x2 + a x + 2a = 2a − ac , sumando 2a
b
2 b2 −4ac
5
x+ 2a = 4a2 , el lado izquierdo es un
trinomio cuadrado perfecto
√
6 b ± b2 −4ac
x+ =
2a √ 2a , obteniendo raı́z cuadrada
7 −b± b2 −4ac b
x= 2a , sumando − 2a a ambos lados.
7 queda demostrado.
Luego, por
,
Observe que la anterior prueba está dividida en tres columnas y varias lı́neas
que corresponden cada una a un paso de la prueba. La primera columna indica
el número de cada paso, la segunda es el paso propiamente dicho, y la tercera
corresponde a la razón de el porque se dio ese paso.
El anterior conjunto de pasos no es la única forma de probar una afirmación;
por lo general, los matemáticos prueban en prosa. El autor prefiere utilizar el
anterior método debido a que facilita el orden y, por su experiencia, considera
que es más fácil de entender para los estudiantes.
Cuando hemos probado una afirmación le llamamos proposición o teorema.
Un corolario es una consecuencia de una proposición o teorema tan evidente
que no necesita demostración.
Existen diferentes técnicas para probar las afirmaciones, las cuales iremos
aprendiendo, pero para prevenir algunos errores frecuentes tenga en cuenta lo
siguiente:
Matrices y sistemas de
ecuaciones lineales
1.1 Matrices
Por ejemplo,
" #
3 1 2
A= ,
−2 4 5
es una matriz de dos filas y tres columnas. La fila uno (f1 ) está constituida por
los elementos 3, 1 y 2, y la fila dos (f2 ) por −2, 4 y 5. La columna uno (c1 ) está
constituida por los elementos 3 y −2, la columna dos (c2 ) está constituida por
los elementos 1 y 4 y la columna tres (c3 ) por los elementos 2 y 5.
1
Lo expresado en este texto también es válido para números complejos
2 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
y la columna j es
a1j
a2j
cj = . para j = 1, . . . , n .
..
amj
Por ejemplo, A2×3 es la matriz A de dos filas y tres columnas y B4×5 es la matriz
B de cuatro filas y cinco columnas. En general, diremos que Am×n es la matriz
A de tamaño m × n.
Nota. La notación i = 1, . . . , m quiere decir que i toma valores desde uno hasta
m enteros.
Al elemento de la i–ésima fila y la j–ésima columna, de la matriz Am×n , lo
denotaremos como aij , por ejemplo, en la matriz A3×2 , donde
0 1
A= 2 −2 ,
3 4
los elementos son a11 = 0, a12 = 1, a21 = 2, a22 = −2, a31 = 3 y a32 = 4. En
algunas ocasiones nos referiremos a una matriz Am×n como [aij ].
Ejemplo 1 (Notas de clase). Suponga que para el curso de álgebra lineal hay
matriculados siete alumnos al final del semestre: Marı́a, Pedro, Mónica, Luis,
Ana, John, y Camila. Podemos organizar las notas de sus tres parciales P1 , P2 y
P3 , del 25 % cada uno, y seguimiento S, del 25 %, en una matriz B de la forma
P1 P2 P3 S
Matrices y sistemas de ecuaciones lineales 3
4,5 3,5 4,0 4,5 Marı́a
3,0 3,5 2,0 4,0 Pedro
5,0 3,0 2,0 1,0 Mónica
B =
1,5 3,5 4,0 4,0 Luis
3,5 3,0 3,0 5,0 Ana
4,0 3,0 2,0 3,0 John
5,0 5,0 5,0 5,0 Camila.
2x1 + 4x2 6 50
3x1 + 2x2 6 35 .
4 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
10
-10 10
-10
Definición 2 (Matrices iguales). Dos matrices Am×n = [aij ] y Bm×n = [bij ] son
iguales si aij = bij para i = 1, . . . , m y j = 1, . . . , n, es decir, si el elemento a11 es
igual al b11 , si el elemento a12 es igual al elemento b12 , y ası́ sucesivamente para
cada par de elementos.
Respuesta: no son iguales puesto que para comparar si dos matrices son iguales,
estas deben tener igual tamaño. Para el presente caso, el tamaño de A es tres
por tres y el tamaño de B es tres por dos.
En una matriz, An×n = [aij ], los elementos a11 , a22 , . . . , ann conforman la
diagonal principal. En la matriz A4×4 , del ejemplo 5, la diagonal principal está
conformada por los elementos: a11 = 3, a22 = 5, a33 = 1 y a44 = 0.
Ejercicio 5. Construya una matriz A4×4 , una B3×3 , otra C2×2 y, por último,
una D1×1 .
Definición 4 (Matriz diagonal). Una matriz cuadrada donde los elementos por
fuera de la diagonal principal son ceros es llamada una matriz diagonal, es decir,
dada An×n = [aij ], si aij = 0 para todo (∀) i 6= j, con i, j = 1, . . . , n, entonces
An×n es diagonal.
Respuesta: sı́ es diagonal porque los elementos por encima y por debajo de la
diagonal principal son todos ceros, es decir, si llamamos O = [oij ] a la matriz,
entonces podemos escibir o21 = o31 = o32 = o12 = o13 = o23 = 0, lo cual implica
que O es una matriz diagonal.
Definición 5 (Matriz escalar). Una matriz escalar es una matriz diagonal donde
los elementos de la diagonal principal son iguales, es decir, An×n = [aij ] es escalar
si:
1. aij = 0 ∀ i 6= j.
2. aij = c ∀ i = j, c ∈ R.
Matrices y sistemas de ecuaciones lineales 7
Ejercicio 8. Construya una matriz escalar A2×2 , otra B3×3 y una C4×4 .
Ejercicio 9. ¿Es la matriz
0 0 0
0 0 0
0 0 0
1. aij = 0 ∀ i 6= j.
2. aij = 1 ∀ i = j.
Gran parte de los datos que se manejan hoy dı́a están representados en sis-
temas de almacenamiento en binario, es decir, codificados en términos de ceros
y unos llamados bits.
8 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Definición 7 (Matriz binaria). Una matriz binaria es aquella donde todas sus
entradas son bits, es decir, Am×n = [aij ] es binaria si aij = 0 ó aij = 1 ∀ i, j
Ejemplo 9. Son matrices binarias
" # 1 0 1 1 0 1 0
1 0
A= , B= 0 1 0 , C = 0 0 0 1 .
0 1
1 0 1 0 1 1 0
e6
e2
e1
e5 e4
e3
e1 e2 e3 e4 e5 e6
e1 0 1 0 0 0 1
e2 1 0 0 0 0 0
e3
0 0 0 0 1 0
D= ,
0
e4 0 0 0 1 1
e5 1 0 0 1 0 0
e6 0 1 0 1 0 0
Matrices y sistemas de ecuaciones lineales 9
donde cada dij indica que el emisor i puede enviar mensajes al receptor j sola-
mente si dij = 1, por ejemplo: como d21 = 1, entonces e2 puede enviar mensajes
a e1 .
Definición 8 (Suma de matrices). Dadas las matrices Am×n = [aij ] y Bm×n =
[bij ] definimos su suma como A + B = C = [cij ] donde cada cij = aij + bij para
i = 1, . . . , m y j = 1, . . . , n.
Ejemplo 11. Dadas las matrices
4 2 −2 −4 2 0
A= 1 5 y B = 4 −5 0 ,
2
3 −2 1 3 2 5
su suma es
4 2 −2 −4 2 0
A+B =
1 5 2 + 4 −5 0
3 −2 1 3 2 5
4 + (−4) 2+2 (−2) + 0
=
1 + 4 5 + (−5) 2 + 0
3+3 (−2) + 2 1+5
0 4 −2
=
5 0 2 .
6 0 6
su suma es
" # " #
1 0 1 0 1 1
A+B = +
0 1 1 1 0 1
" #
1+0 0+1 1+1
=
0+1 1+0 1+1
" #
1 1 0
= .
1 1 0
Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ],
matrices diagonales hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i 6= j, 1
definición de matriz diagonal en
3
bij = 0 para i 6= j, 1
definición de matriz diagonal en
4
Sea A + B = C = [cij ], construcción
5
cij = aij + bij , 4
definición de suma de matrices en
6
cij = 0 para i 6= j, 2 y
por
3 en
.
5
6 C es diagonal por definición de matriz diagonal.
Luego, por
,
Matrices y sistemas de ecuaciones lineales 11
Ejercicio 16. Probar que la suma de dos matrices escalares es una matriz
escalar.
Ejercicio 17. Para verificar las pruebas realizadas en el ejercicio 16, invente dos
matrices escalares de tamaño seis por seis y súmelas.
Nota. Si se le dificulta realizar el ejercicio 16, primero realice al menos tres veces
el ejercicio 17. Tenga en cuenta la diferencia entre verificar y probar un teorema.
bij = caij ,
entonces
3 2
cA = (−3)
4 1
−2 0
−3 × 2 −3 × 3
= −3 × 4 −3 × 1
−3 × (−2) −3 × 0
−6 −9
=−12 −3.
6 0
12 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejercicio 18. Si c = 5 y
" #
−3 2 6 −1
B= ,
2 5 −2 −4
entonces
cB =?
entonces
" #
2 −9 17
cA + dB = .
6 15 0
Verifı́quelo.
Definición 10 (Diferencia de matrices). Dadas las matrices Am×n = [aij ] y
Bm×n = [bij ] definimos su diferencia (también llamada resta) como A + (−1)B =
A − B = C = [cij ] donde cada cij = aij − bij para i = 1, . . . , m y j = 1, . . . , n.
Ejemplo 14. Dadas las matrices
−1 2 0 −3 2 2
A= 4 5 2 y B = 4 −5 0 ,
−3 2 4 −1 2 −3
su diferencia es
−1 2 0 −3 2 2
A−B =
4 5 2 − 4 −5 0
−3 2 4 −1 2 −3
−1 − (−3) 2−2 0−2
=
4 − 4 5 − (−5) 2 − 0
−3 − (−1) 2−2 4 − (−3)
Matrices y sistemas de ecuaciones lineales 13
2 0 −2
=
0 10 2.
−2 0 7
Ejercicio 20.
es simétrica, pues B T es igual a B. Se puede observar que cada bij es igual a bji .
Ejercicio 27. Para que una matriz sea simétrica, ¿cuál o cuáles de las defini-
ciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Ejercicio 29. Para que una matriz sea antisimétrica, ¿cuál o cuáles de las defi-
niciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ] △S, hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i > j, 1
definición de △S en
3
bij = 0 para i > j, 1
definición de △S en
4
Sea A + B = C = [cij ], construcción
5
cij = aij + bij , por definición de suma de matrices
6
cij = 0 para i > j, 2 y
por
3 en
.
5
6 C es △S por definición de matriz △S.
Luego, por
,
Ejercicio 37.
Ejercicio 38. Para verificar las pruebas realizadas en el ejercicio 37, invente dos
matrices △S de tamaño cinco por cinco. Súmelas y luego réstelas.
18 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Prueba.
1
Sea An×n = [aij ] △S y △I, hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i > j, por A ser △S
3
aij = 0 para i < j, por A ser △I
4
aij = 0 para i 6= j, 2 y
.
por
3
4 y definición de matriz diagonal, A es diagonal.
Luego, por
Ejercicio 39. Invente dos matrices que sean △S y △I al mismo tiempo. Súmelas.
El resultado debe ser una matriz diagonal de acuerdo al teorema 3.
Respuesta: 9.
Ejercicio 43. Construya tres pares de vectores y encuentre el producto escalar
de cada par.
Teorema 4 (Algunas propiedades del producto escalar). Dados ~a, ~b y ~c, n-
vectores, y k un escalar, entonces:
1. ~a · ~b = ~b · ~a (conmutatividad).
2. (~a + ~b) · ~c = ~a · ~c + ~b · ~c (distributividad).
3. (k~a) · ~b = ~a · (k~b) = k(~a · ~b) (asociatividad).
4. ~a · ~a > 0 (positividad).
5. ~a · ~a = 0 si y solo si ~a = ~0.
6. ~a · ~0 = 0.
Prueba de 1.
1
Sean ~a = [ai ] y ~b = [bi ] n-vectores, hipótesis
2
~a · ~b = a1 b1 + a2 b2 + · · · + an bn , definición de producto escalar
3
= b1 a1 + b2 a2 + · · · + bn an , conmutatividad en R
4
= ~b · ~a, definición de producto escalar.
Luego ~a · ~b = ~b · ~a por
2 a
.
4
entonces
Ejercicio 44. Para cada par de vectores de los que inventó en el ejercicio 43,
verifique la parte 1 del teorema 4.
Prueba de 2.
1
Sean ~a = [ai ], ~b = [bi ] y ~c = [ci ] n-vectores, hipótesis
2
(~a + ~b) · ~c = (a1 + b1 )c1 + (a2 + b2 )c2 + · · · + por suma de vectores
(an + bn )cn , y producto escalar
3
= a1 c1 + b1 c1 + a2 c2 + b2 c2 + · · · +
an cn + bn cn , distributividad en R
4
= (a1 c1 + a2 c2 + · · · + an cn )+
(b1 c1 + b2 c2 + · · · + bn cn ), conmutatividad en R
5
= ~a · ~c + ~b · ~c, producto escalar.
Luego (~a + ~b) · ~c = ~a · ~c + ~b · ~c por
2 a
.
5
entonces
4 −11
−3 −1 2
~
(~a + b) · ~c =
1 + −2 · 3
0 1 −1
22 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
5 −1
−4 2
−1 · 3
=
1 −1
= (−5) × 1 + (−4) × 2 + (−1) × 3 + 1 × (−1) = −17
y
4 −1 1 −1
−3 2 −1 2
~a · ~c + ~b · ~c =
1 · 3 + −2 · 3
0 −1 1 −1
= [4 × (−1) + (−3) × 2 + 1 × 3 + 0 × (−1)]+
[1 × (−1) + (−1) × 2 + (−2) × 3 + 1 × (−1)]
= (−7) + (−10) = −17 .
Ejercicio 47. Elaborar las pruebas de las partes 4,5 y 6 e inventar un ejercicio
que verifique cada numeral.
Para multiplicar dos matrices lo que primero se debe verificar es que el número
de columnas de la primera matriz debe ser igual al número de filas de la segunda
matriz; si son iguales, entonces, para hallar la matriz C resultante, cuyo tamaño
es el número de filas de la primera matriz por el número de columnas de la
segunda matriz, procedemos de la siguiente forma:
9. En forma similar a como hallamos las primeras dos filas, determinamos las
siguientes filas.
Ejemplo 25. Dadas
" # 1 2
1 −3 5
A2×3 = y B3×2 =
0 3 ,
2 2 −1
1 4
encontrar AB.
Solución. Primero verificamos que la multiplicación se pueda realizar, es decir,
que el número de columnas de la primera matriz, A, sea igual al número de filas
de la segunda matriz, B: para este caso es tres, luego, sı́ se puede realizar el
producto.
24 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
encontrar AB.
1 −5
Respuesta:
−5 .
10
3 24
Matrices y sistemas de ecuaciones lineales 25
entonces
1 0 0 5 1 5 1 " # 5 1
0 1 0 1 0 = 1 0 1 0 = 1 0 .
0 1
0 0 1 −5 7 −5 7 −5 7
encontrar (A + B)C.
Solución.
5 0 1 1 0 3 3 1
(A + B)C =
−3
4 −3 + 4 −4 1 1 2
−1 2 −2 1 −3 2 0 4
6 0 4 3 1
=1 0 −2 1 2
0 −1 0 0 4
6×3+0×1+4×0 6×1+0×2+4×4
=1 × 3 + 0 × 1 + (−2) × 0 1 × 1 + 0 × 2 + (−2) × 4
0 × 3 + (−1) × 1 + 0 × 0 0 × 1 + (−1) × 2 + 0 × 4
18 22
= 3 −7 .
−1 −2
26 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
encontrar (A + B)C.
Respuesta:
14 −2
20 −4 .
0 −3
h d o
" #
ms 20 1 5
A=
me 30 2 10
c p
h 10 15
B = d
200 250 ,
o 50 40
Matrices y sistemas de ecuaciones lineales 27
entonces,
c p
" #
ms 650 750
AB = .
me 1200 1350
donde aij = 1 si la i-ésima persona del primer grupo contagia a la j-ésima persona
del segundo grupo. Por ejemplo, a1,2 = 1 significa que la primera persona del
primer grupo contagió a la segunda persona del segundo grupo.
Ahora suponga que un tercer grupo de cuatro personas tiene varios contactos
directos con individuos del segundo grupo y algunos son infectados. Esto es
representado mediante la matriz
0 1 1 0
1 0 1 0
B = 0 1 1 0 ,
0 0 0 0
1 0 0 1
donde bij = 1 significa que la i-ésima persona del segundo grupo infectó a la
j-ésima persona del tercer grupo. Por ejemplo, b5,1 = 1 significa que la quinta
persona del segundo grupo (infectada) entró en contacto con la primera persona
del tercer grupo y la infectó.
28 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
c13 = a11 b13 + a12 b23 + a13 b33 + a14 b43 + a15 b53
= 0×1+1×1+1×1+0×0+1×0
= 2.
Observe que todas las persona del grupo 3 tienen contagios indirectos con la
enfermedad. La tercera persona de este grupo tiene 4 contagios indirectos.
Encontrar las palabras correspondientes de siete bits que deben ser transmi-
tidas para que el receptor determine si la palabra recibida es correcta o no. Para
Matrices y sistemas de ecuaciones lineales 29
1. A + B = B + A (conmutatividad).
2. A + (B + C) = (A + B) + C (asociatividad).
4. Para toda matriz Am×n existe una única matriz Dm×n tal que A + D = O.
Tal matriz la escribiremos como −A y la llamaremos la inversa aditiva de
A. Entonces A + (−A) = O.
Probaremos la asociatividad.
Prueba.
1
A = [aij ], B = [bij ], C = [cij ] ∈ Mm×n , hipótesis
2
A + (B + C) = D = [dij ] ∈ Mm×n , construcción
Ahora, para i = 1, . . . , m y j = 1, . . . , n
3
dij = aij + (bij + cij ) def. de suma de matrices
4
= (aij + bij ) + cij asociatividad en R
5
D = (A + B) + C, 3 y
.
de
4
2 a
.
Luego, A + (B + C) = (A + B) + C por
5
30 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejercicio 53. Realice dos ejemplos de cada una de las propiedades del teorema
5. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Prueba.
1
Sea A = [aij ] ∈ Mm×p , hipótesis
2
B = [bij ] y C = [cij ] ∈ Mp×n , hipótesis
3
A(B + C) = D = [dij ] ∈ Mm×n , suma y multiplicación de matrices
Ahora, para i = 1, . . . , m y j = 1, . . . , n
p
P
4
dij = aik (bkj + ckj ) definición de suma y
k=1
Pp multiplicación de matrices
5
= (aik bkj + aik ckj ), distributividad en R
k=1
Pp p
P
6
= aik bkj + aik ckj , propiedad de sumatoria
k=1 k=1
7
D = AB + AC, definición de multiplicación de matrices.
3 y
.
Luego A(B + C) = AB + AC, por
7
Ejercicio 55. Realice dos ejemplos de cada una de las propiedades del teorema
6. Recuerde que los ejemplos sirven para verificar, mas no para probar.
1. (rs)A = r(sA).
2. (r + s)A = rA + sA.
Matrices y sistemas de ecuaciones lineales 31
3. r(A + B) = rA + rB.
Prueba.
1
A = [aij ], B = [bij ] ∈ Mm×n , hipótesis
2
r es un escalar, hipótesis
3
r(A + B) = C = [cij ] ∈ Mm×n , suma de matrices y
multiplicación por un escalar
Ahora, para i = 1, . . . , m y j = 1, . . . , n
4
cij = r(aij + bij ), definición de suma de matrices
y multiplicación por un escalar
5
= raij + rbij , distributividad en R
6
C = rA + rB, 4 y
.
por
5
3 =
.
Luego, r(A + B) = rA + rB por
6
2. (A + B)T = AT + B T .
3. (AB)T = B T AT .
4. (rA)T = rAT .
32 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
verificar (A + B)T = AT + B T .
Solución.
Veamos a qué es igual (A + B)T .
T
4 0 1 0 2 3
(A + B)T =
−3 5 0 + 4 −3 1
−1 2 −6 2 −1 5
T
4 2 4
=
1 2 1
1 1 −1
4 1 1
= 2 2 1 .
4 1 −1
Ejercicio 59. Realice dos ejemplos de cada una de las propiedades del teorema
8. Recuerde que los ejemplos sirven para verificar, mas no para probar.
La palabra ecuación proviene del latı́n aequatio que significa igualdad. Una ecua-
ción es una igualdad en la que hay algunas cantidades desconocidas; por ejemplo,
3x + 2y = 5 es una ecuación en la que hay dos incógnitas: la x y la y llamadas
variables. La pregunta es, ¿cuál par de valores satisface la ecuación? Observe que
x = 1 y y = 1 cumplen. ¿Existen otros valores que cumplen esta igualdad? La
respuesta es sı́, de hecho, en este caso, hay infinitos.
Una ecuación lineal es aquella ecuación donde todas las variables están ele-
vadas a la potencia uno. De ecuaciones lineales es sobre lo que hablaremos en
este texto. En general, una ecuación lineal, de n incógnitas, se escribe como
a1 x1 + a2 x2 + · · · + an xn = b, donde los ai son llamados coeficientes, las xi son
las variables y b es el término independiente.
Ahora, un sistema de ecuaciones lineales es un conjunto finito de ecuaciones
lineales y se escribe como
a11 a12 ··· a1n x1 b1
a21 a22 · · · a2n x2 b2
. . . = ,
.. .. .. ... ...
am1 am2 · · · amn xn bm
A~x = ~b .
..
a a12 · · · a1n . b1
11
..
h
.
i a
21 a22 · · · a2n . b2
A .. ~b =
.. .. .. .. .. .
. . . . .
..
am1 am2 · · · amn . bm
Una matriz Am×n que satisface las tres primeras propiedades es llamada escalo-
nada por filas.
Nota. Las definiciones y operaciones que se realicen con las filas también se
pueden realizar con las columnas en forma similar. Para simplificar, solo traba-
jaremos con filas.
en escalonada reducida.
Solución.
El objetivo es llevar esta matriz a la forma
..
1 0 0 . a
.
0 1 0 .. b ,
..
0 0 1 . c
Nota. siempre determine un uno principal como pivote y realice las operaciones
elementales fila alrededor de él. No hacerlo puede generar errores como
.. ..
1 1 1 . 3 1 1 1 . 3
.. f2 ←− f2 − f3 ..
;
f3 ←− f3 − f2 0 −1 0 . −1
1 3 1 . 5
. .
1 4 1 .. 6 0 1 0 .. 1
luego, al sumarle a la fila tres la fila dos (f3 ←− f3 + f2 ), la fila tres queda nula.
Lo que, como veremos más adelante, es un error.
¡Atención! No cometa los siguientes errores:
h . i
En el ejemplo 33, la matriz A .. ~b y las siguientes, obtenidas al ejecutar
operaciones elementales fila, son todas equivalentes entre sı́.
Teorema 9. Toda matriz Am×n es equivalente por filas a una matriz escalonada
por filas.
h . i
En el ejemplo 33, la matriz A .. ~b es equivalente por filas a la penúltima
matriz
..
1 0 0. −1
.
1 −1 .. 1
0 ,
..
0 0 1 . 1
Teorema 10. Toda matriz Am×n es equivalente por filas a una única matriz
escalonada reducida por filas.
h . i
En el ejemplo 33, la matriz A .. ~b es equivalente por filas a la última matriz
..
1 0 0 . −1
..
0 1 0 . 2 ,
..
0 0 1 . 1
la cual está en forma escalonada reducida. Además, gracias al teorema 10, po-
demos asegurar que esta es la única matriz escalonada reducida equivalente por
h . i
filas a la matriz A .. ~b , es decir, no existe otra.
Teorema 11. Dados dos sistemas lineales A~x = ~b y C~x = d,~ cada uno con
h . i h . i
m ecuaciones y n incógnitas. Si las matrices aumentadas A..~b y C ..d~ son
equivalentes por filas, entonces los dos sistemas tienen la misma solución.
h . i
Ejemplo 34. En el ejemplo 33, la matriz aumentada A .. ~b y la última matriz
aumentada, equivalente por filas, representan dos sistemas lineales diferentes que
Matrices y sistemas de ecuaciones lineales 39
x1 + x2 − x3 = −1
2x1 − x2 + x3 = 1
−x1 + 2x2 + x3 = 4 .
Solución.
.
1 1 −1 .. −1
.
−1 1 .. 1
La matriz aumentada correspondiente es 2 .
.
−1 2 1 .. 4
..
1 0 0 . a
.
1 0 .. b
El objetivo es llevar esta matriz a la forma 0 , si es posible.
.
0 0 1 .. c
Entonces por medio de operaciones elementales fila tenemos
.. ..
1 1 −1 . −1 1 1 −1 . −1
f2 ←− f2 − 2f1 .. ..
f2 ←→ f3 0 3
f3 ←− f3 + f1 0 −3 3 . 3 0 . 3
.. ..
0 3 0 . 3 0 −3 3 . 3
.. ..
1 1 −1 . −1 1 0 0 . 0
f2 ←− 31 f2
..
f1 ←− f1 + f3
.
0 1 0 ..
1 0 1 0 . 1 1 .
f3 ←− 3 f3 f
3 ←− f 3 + f 2
. .
0 −1 1 .. 1 0 0 1 .. 2
x1 − x2 + x3 = 2
2x1 − 3x2 + x3 = −1
2x2 + x3 = 7 .
Respuesta.
x1 1
~x =
x2 = 2 .
x3 3
2x1 + x2 − 2x3 = −2
x1 − x2 − x3 = −4
3x1 − x3 = 0 .
Respuesta.
x1 1
~x = x2 = 2
.
x3 3
3x1 − x2 + x3 = 3
2x1 + x2 − x3 = 2
x1 − x2 + 2x3 = 2 .
Respuesta.
x1 1
~x =
x2 = 1 .
x3 1
Solución.
3x1 + x2 + 2x3
= 13
Reorganizando el sistema se tiene 0x1 + x2 − x3 = −5
x1 + 0x2 + x3 = 6.
..
3 1 2 . 13
.
La matriz aumentada es 0 1 −1 .. −5.
.
1 0 1 .. 6
Entonces, por medio de operaciones elementales fila, tenemos
.. ..
1 0 1 . 6 1 0 1 . 6
. .
1 −1 .. −5 f3 ←− f3 − 3f1 0 1 −1 .. −5
f1 ←→ f3 0
.. ..
3 1 2 . 13 0 1 −1 . −5
..
1 0 1 . 6
.
1 −1 .. −5
f3 ←− f3 − f2 0 .
.
0 0 0 .. 0
x1 + x3 = 6 x1 = 6 − x3 x1 = 6 − r
⇒ ⇒ Sea x3 = r ∈ R, entonces
x2 − x3 = −5. x2 = x3 − 5. x2 = r − 5.
x1 6−r
Ası́
x2 = r − 5 .
x3 r
x1 − x2 + x3 = 1
2x1 − 3x2 + x3 = −1
4x1 − 5x2 + 3x3 = 1 .
Matrices y sistemas de ecuaciones lineales 43
Respuesta.
x 4 − 2r
1
, con r ∈ R.
~x = x2 = 3 − r
x3 r
2x1 + x2 + x3 = 4
x1 + x2 − x3 = 1
3x1 + 3x2 − 3x3 = 3 .
Respuesta.
x1 3 − 2s
x2 = −2 + 3s , con s ∈ R.
~x =
x3 s
3x1 + x2 + 2x3 = 13
x2 − x3 = −5
x1 + x3 = 10 .
Solución.
Reorganizando el sistema se tiene
3x1 + x2 + 2x3
= 13
0x1 + x2 − x3 = −5
x1 + 0x2 + x3 = 10 .
La matriz aumentada es
..
3 1 2 . 13
.
0 1 −1 .. −5 .
..
1 0 1 . 10
44 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
De la tercera fila obtenemos que 0x1 + 0x2 + 0x3 = 1, lo cual es absurdo; luego
el sistema no tiene solución.
Note que el rango de la matriz aumentada es tres, pero que el rango de la
matriz de coeficientes es dos.
Ejercicio 67. Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 − x2 + x3 = 1
2x1 − 3x2 + x3 = −1
4x1 − 5x2 + 3x3 = 3 .
2x1 + x2 + x3 = 4
x1 + x2 − x3 = 1
3x1 + 3x2 − 3x3 = 1 .
2x1 − x2 + x3 = −1
4x2 − x3 + x4 = 9
x3 + x1 = 0
x1 + x2 + x3 + x4 = 2 .
Solución.
2x1 − x2 + x3 + 0x4 = −1
0x + 4x − x + x = 9
1 2 3 4
Reorganizando el sistema
x 1 + 0x 2 + x 3 + 0x 4 =0
x + x + x + x
1 2 3 4 = 2.
.
2 −1 1 0 .. −1
.
0 4 −1 1 .. 9
La matriz aumentada es ..
.
1 0 1 0 . 0
..
1 1 1 1 . 2
Efectuando operaciones elementales fila para llevar la matriz a escalonada
reducida, tenemos
.. ..
1 1 1 1 . 2 1 1 1 1 . 2
.. ..
1
f1 ←→ f4 0 1 0 . 0 f2 ←− f2 − f10
−1 0 −1 . −2
f2 ←→ f3 . f4 ←− f4 − 2f1 ..
0
4 −1 1 .. 9
0
4 −1 1 . 9
.. ..
2 −1 1 0 . −1 0 −3 −1 −2 . −5
. .
1 1 1 1 .. 2 1 0 1 0 .. 0
f2 ←− −f2 . f1 ←− f1 − f2 ..
1 .. 2
0 1 0
f3 ←− f3 + 4f2 f3 ←− −f3 0 1 0 1 . 2
.. ..
0 0 −1 −3 . 1 f4 ←− f4 − f3 0
f4 ←− f4 − 3f2 0 1 3 . −1
.. ..
0 0 −1 1 . 1 0 0 0 4 . 0
46 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
. .
1 0 0 −3 .. 1 1 0 0 0 .. 1
.. f1 ←− f1 + 3f4 ..
0 1 0 1 . 2 f2 ←− f2 − f4 0
f1 ←− f1 − f3 1 0 0 . 2
.
f4 ←− 14 f4 ..
0 0 1 3 . −1 f3 ←− f3 − 3f4 0
..
0 1 0 . −1
.. ..
0 0 0 1 . 0 0 0 0 1 . 0
x1 1
x2 2
Entonces x1 = 1, x2 = 2, x3 = −1 y x4 = 0 o ~x =
x = −1 .
3
x4 0
Para verificar se reemplazan los valores de x1 , x2 , x3 y x4 en las ecuaciones
originales.
Note que el rango de la matriz aumentada es cuatro y que el rango de la
matriz de coeficientes también es cuatro.
Ejercicio 69 (Gauss–Jordan: circuitos eléctricos). Un circuito eléctrico sencillo
está constituido por baterı́as ( - + ), resistencias ( ) y cables eléctricos (—)
que los unen. La figura 1.3 ilustra un circuito eléctrico
- + I1
V: voltios - + I2
Ω: ohmios
I: intensidad
I3
Se desea saber cuáles son las intensidades I1 , I2 e I3 (en amperios) que cir-
culan por los cables. Para ello, mediante la ley de voltaje y ley de intensidad,
ambas de Kirchhoff, se ha determinado que I1 , I2 e I3 satisfacen
I1 + I2 − I3 = 1
I1 − 2I2 = −1
I2 + 3I3 = 4 .
Matrices y sistemas de ecuaciones lineales 47
h . i
1. Si el rango de A es igual al rango de A .. ~b y es igual a n, entonces la
solución es única. Observe el ejemplo 35.
h . i
2. Si el rango de A es igual al rango de A .. ~b y es menor que n, entonces
existen infinitas soluciones. Observe el ejemplo 36.
h . i
3. Si el rango de A es diferente del rango de A .. ~b , entonces el sistema no
tiene solución. Observe el ejemplo 37.
.. ..
1 2 1 . 0 f ← f + 2f
1 1 2 1 0 −5 . 0
f2 ← f2 − f1 .. ..
f ← (−1)f .
f3 ← f3 −2f1 0 −1 −3 . 0
2 2 0 1 3 . 0
.. f3 ← f3 − 2f2 ..
0 −2 a − 2 . b−4 0 0 a+4 . b−4
Entonces:
Veamos
1. No tenga solución
Si a = −4 y b = 0, entonces
.. ..
1 0 −5 . 0 1 0 −5 . 0
. .
0 1 3 .. 0 f3 ← − 14 f3 0 1 3 .. 0
.. ..
0 0 0 . −4 0 0 0 . 1
3. Solución única
Si a = −3 y b = 5, entonces tenemos
.. ..
1 0 −5 . 0 1 0 0 . 5
.. f1 ←− f1 + 5f3 ..
.
f2 ←− f2 − 3f3 0 1 0 . −3
0 1 3 . 0
. .
0 0 1 .. 1 0 0 1 .. 1
x1 + x2 − 2x3 = −2
2x1 + 3x2 − 2x3 = 1
x1 + 3x2 + (a2 − 2)x3 = a + 6 .
Solución.
La matriz aumentada es
..
1 1 −2 . −2
..
2 3 −2 . 1 ,
..
1 3 a2 − 2 . a+6
entonces
.. ..
1 1 −2 . −2 1 0 −4 . −7
f2 ← f2 −2f1 .. f1 ← f1 − f2 ..
.
f3 ← f3 − f1 0 1 2 . 5 f3 ← f3 −2f2 0 1 2 . 5
. ..
0 2 a2 .. a + 8 0 0 a2 − 4 . a−2
1. No tenga solución.
Con a = −2, tenemos
. ..
1 0 −4 .. −7 1 0 −4 . −7
. .
1 2 .. 5 f3 ← − 14 f3 0 1 2 .. 5
0
. .
0 0 0 .. −4 0 0 0 .. 1
..
1 0 −4 . 0
f2 ← f2 −5f3 ..
.
f1 ← f1 +7f3 0 1 2 . 0
.
0 0 0 .. 1
h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene solución por el teorema 12.
Además, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene solución.
Matrices y sistemas de ecuaciones lineales 51
2. Infinitas soluciones.
Con a = 2, tenemos
..
1 0 −4 . −7
.
0 1 2 .. 5 ,
..
0 0 0 . 0
De donde se obtiene x1 − 4x3 = −7 y x2 + 2x3 = 5. Ahora, si x3 = r ∈ R,
entonces x1 = 4r − 7 y x2 = 5 − 2r. Luego,
x1 4r − 7
~x = x 2
= 5 − 2r .
x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.
3. Solución única.
Con a 6= ±2 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −2 y tampoco se anuları́a la fila como
con a = 2; por ejemplo, con a = −1 tenemos
.. ..
1 0 −4 . −7 1 0 −4 . −7
.. 1 .
0 1 2 . 5 f3 ← (− 3 )f3 0 1 2 .. 5
.. ..
0 0 −3 . −3 0 0 1 . 1
..
1 0 0 . −3
f1 ← f1 + 4f3 ..
.
f2 ← f2 − 2f3 0 1 0 . 3
..
0 0 1 . 1
h . i
Observe que el rango de A es igual al de A .. ~b y es igual al número de
incógnitas (tres); lo que implica una única solución por el teorema 12.
x1 + x2 + x3 = 2
2x1 + 3x2 + 3x3 = 3
3x1 + 3x2 + (a2 + 2)x3 = a + 5 .
Solución.
La matriz aumentada es
..
1 1 1 . 2
..
2 3 3 . 3 ,
..
3 3 a2 + 2 . a+5
entonces
..
1 1 1 . 2
f2 ← f2 −2f1 ..
f3 ← f3 −3f1 0
1 1 . −1
.
0 0 a2 − 1 .. a − 1
..
1 0 0 . 3
..
f1 ← f1 − f2 0 1 1 . −1 .
.
0 0 (a − 1)(a + 1) .. a − 1
1. No tenga solución.
Con a = −1, tenemos
.. ..
1 0 0 . 3 1 0 0 . 3
. .
0 1 1 .. −1f3 ← − 12 f3 0 1 1 .. −1
. .
0 0 0 .. −2 0 0 0 .. 1
..
1 0 0 . 0
f2 ← f2 + f3 ..
.
f1 ← f1 −3f3 0 1 1 . 0
.
0 0 0 .. 1
h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene solución por el teorema 12.
Además, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene solución.
2. Infinitas soluciones.
Con a = 1, tenemos
..
1 0 0 . 3
.
0 1 1 .. −1 ,
..
0 0 0 . 0
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.
54 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
3. Solución única.
Con a 6= ±1 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −1 y tampoco se anuları́a la fila como
con a = 1; por ejemplo, con a = 0 tenemos
.. ..
1 0 0 . 3 1 0 0 . 3
.. f3 ← −f3 ..
0 1 1 . −1 .
f2 ← f2 + f3 0 1 0 . −2
.. ..
0 0 −1 . −1 0 0 1 . 1
A~x = ~0 .
4x1 + x2 + x3 = 0
5x1 − x2 − x3 = 0 .
Solución.
La matriz aumentada es
..
4 1 1 . 0
,
..
5 −1 −1 . 0
AA−1 = A−1 A = In .
.
1. Forme la matriz [A .. In ]
.
2. Ejecute operaciones elementales fila a [A .. In ], de tal forma que A quede
.
en forma escalonada reducida, obtendrá la matriz [B .. C]
3. Si B = In , entonces A−1 = C.
Si B tiene al menos una fila de ceros, entonces A no es invertible.
encontrar A−1 .
Solución.
..
3 5 1 .. 1 0 0
.. 0 1 0
1 2 3 .
−1 −3 −12 .. 0 0 1
Matrices y sistemas de ecuaciones lineales 59
..
1 2 3 .. 0 1 0
.. 1 0 0
f1 ↔ f2 3 5 1 .
−1 −3 −12 .. 0 0 1
..
f2 ← f2 − 3f1 1 2 3 .. 0 1 0
.. 1 −3 0
0 −1 −8
f3 ← f3 + f1 ..
0 −1 −9 . 0 1 1
f1 ← f1 + 2f2 1 ..
0 −13 .. 2 −5 0
f2 ← −f2
0 1 8 .. −1 3 0
.
f3 ← f3 − f2 0 0 −1 .. −1 4 1
.
f2 ← f2 + 8f3 1 0 0 ... 15 −57 −13
1 0 ... −9 35
f1 ← f1 − 13f3 0 8
f3 ← −f3 0 .
0 1 . 1 −4 −1
Entonces,
−57 −13
15
A−1 =
−9 35 8 .
1 −4 −1
" #
1 4 −3
Respuesta. A−1 = 5 .
−1 2
" #
a b
A= ,
c d
" #
1 d −b
Respuesta. A−1 = ad−bc y (ad − bc) 6= 0.
−c a
Hasta ahora, hemos realizado pruebas en las que partiendo de una hipótesis
H llegamos a una tesis T a través de inferencias lógicas (pasos) =⇒, es decir,
H =⇒ T . Pues bien, está demostrado que otra forma de probar es negando la tesis
∼T y, a través de inferencias lógicas =⇒, llegamos a una negación de la hipótesis
∼H, es decir, ∼T =⇒∼H, o llegamos a una contradicción =⇒⇐=. A este método
de demostrar se le llama reducción al absurdo o prueba por contradicción.
Por ejemplo, usted sabe que el inverso multiplicativo del 5 es 15 porque 5× 15 =
1 y es el único. Pues bien, una forma de probar que es el único es suponiendo
que existe otro inverso multiplicativo diferente de 51 . Supongamos que existe un
b 6= 15 tal que b × 5 = 1, luego b = b × 1 = b × (5 × 51 ) = (b × 5) × 51 = 1 × 15 = 51 .
Luego, b = 15 , pero habı́amos dicho que b 6= 51 . Entonces es una contradicción.
Concluimos que no existe otro inverso multiplicativo para el cinco.
Cuando se nos habla de unicidad en un teorema, entonces pensamos que la
forma de probarlo es seguramente por reducción al absurdo. Veamos cómo probar
el teorema 15 por reducción al absurdo.
Prueba.
Matrices y sistemas de ecuaciones lineales 61
1
Sea A ∈ Mn×n invertible, hipótesis
2
Suponga que existen B, C ∈ Mn×n
negación de la tesis
diferentes tales que AB = In y AC = In ,
3
B = BIn , multiplicando por la identidad
4
= B(AC), 2 en
3
5
= (BA)C, asociatividad
6
= In C, 2
por
7
= C, 3
razón de
.
Como B = C, por
3 a
,
7 entonces hay una contradicción porque habı́amos su-
2 que eran diferentes. Luego, la inversa es única.
puesto en
−1
1. Si A ∈ Mn×n es invertible, entonces A−1 es también invertible y A−1 =
A.
−1 T
3. Si A es invertible, entonces AT = A−1 .
Prueba de 2.
62 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
1
Sean A, B ∈ Mn×n invertibles, hipótesis
Entonces,
2
La inversa de (AB) es (B −1 A−1 ) si y solo si (sii)
3
(AB)(B −1 A−1 ) = I sii, definición de inversa
4
A(BB −1 )A−1 = I sii, asociatividad
5
A(I)A−1 = I sii, definición de inversa
6
AA−1 = I sii, por matriz identidad
7
I = I, 6
razón de
.
Ahora,
8
La inversa de (AB) es (B −1 A−1 ) sii
9
(B −1 A−1 )(AB) = I sii, definición de inversa
10
B −1 (A−1 A)B = I sii, asociatividad
11
B −1 (I)B = I sii, definición de inversa
12
B −1 B = I sii, por matriz identidad
13
I = I, razón de 12
.
, la inversa de AB es B −1 A−1 .
2 a 13
Luego, por
Ejemplo 45.
" # " #
2 1 3 −1
1. Sea A = , su inversa es A−1 = .
5 3 −5 2
Observe
−1 que la inversa de la inversa de A es la misma A, es decir,
A−1 = A.
2. Sean
" # " # " # " #
3 7 −1 −2 −7 2 1 −1 2 −1
A= ,A = ,B = yB = ,
−1 −2 1 3 3 2 −3 2
(a) Entonces:
" #" #
3 7 2 1
AB =
−1 −2 3 2
Matrices y sistemas de ecuaciones lineales 63
" #
6 + 21 3 + 14
=
−2 − 6 −1 − 4
" #
27 17
= .
−8 −5
(b) La inversa de AB es
" #
−1 −5 −17
(AB) = , por favor verifı́quelo.
8 27
(c) Ahora,
" #" #
2 −1 −2 −7
B −1 A−1 =
−3 2 1 3
" #
−4 − 1 −14 − 3
=
6+2 21 + 6
" #
−5 −17
= .
8 27
3. Sea
" #
2 1
A= ,
7 4
entonces
" #
2 7
AT = .
1 4
La inversa de la transpuesta de A es
" #
T −1
4 −7
A = .
−1 2
64 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ahora, A−1 es
" #
4 −1
,
−7 2
entonces
" #
−1 T 4 −7
(A ) = .
−1 2
Observe que la inversa de la transpuesta de A es igual a la transpuesta de
la inversa de A, es decir,
−1 T
AT = A−1 .
Corolario 1. Si A1 , A2 , . . . , Ap ∈ Mn×n son invertibles, entonces
A1 A2 . . . Ap
es invertible y
(A1 A2 . . . Ap )−1 = A−1 −1 −1
p . . . A2 A1 .
f + 3c + 2e = 9
2f + 7c + e = 17
3f + 11c + e = 26 ,
La inversa de A es
−4 19 −11
A−1 =
1 −5 .
3
1 −2 1
La respuesta es no, simplemente multiplicarı́a A−1 por el vector [6, 10, 15]T
y obtendrı́amos [1, 1, 1]T , que corresponde a los valores de cada fotocopiadora,
cada computador y cada escritorio, respectivamente. De esta forma, la institución
deberı́a invertir 2 × 1 + 7 × 1 + 3 × 1 = 12 millones.
Ejercicio 79. En el plano cartesiano un punto cualquiera (x, y) puede ser gi-
rado un ángulo φ, en dirección contraria a las manecillas del reloj, mediante la
transformación
" #" #
cos(φ) − sen(φ) x
A~v = .
sen(φ) cos(φ) y
Si se sabe que siete puntos fueron girados 90o con dicha transformación y se
obtuvo el siguiente conjunto {(−9, −3), (−2, 4), (−1, 1), (0, 0), (1, 1), (2, 4), (5, 5)},
¿cuáles fueron los puntos originales? Grafı́quelos.
" #
cos(φ) sen(φ)
Ayuda. La inversa de A es .
− sen(φ) cos(φ)
Respuesta. {(−3, 9), (4, 2), (1, 1), (0, 0), (1, −1), (4, −2), (5, −5)}.
A~x = ~0
2x1 + 4x2 = 0
−6x1 − 12x2 = 0 ,
" #
f1 ← 12 f1 1 2 ..
.. 0 .
f2 ← f2 + 3f1 0 0 .. 0
x1 = −2x2 .
1. A es invertible.
4. El rango de A es n.
1.6 Factorización LU
A~x = ~b
(LU )~x = ~b
68 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
L(U~x) = ~b
L~y = ~b,
con ~y = U~x.
Como L es triangular inferior, resolvemos L~y = ~b por sustitución hacia ade-
lante. Y como U es triangular superior, resolvemos U~x = ~y por sustitución hacia
atrás tal como se ilustra en el siguiente ejemplo.
Ejemplo 48. Resolver por factorización LU el sistema A~x = ~b
2x1 + 4x2 + 2x3 = 12
2x1 + 2x2 − 3x3 = 3
x1 + 4x2 + 7x3 = 16 .
Solución. Llevemos la matriz A a triangular superior empleando solo dos tipos
de operaciones elementales fila: a una fila súmele k veces otra fila y multiplicación
de una fila por un c 6= 0.
2 4 2 1 2 1
2 2 −3 f1 ←− 1 f1 2 2 −3
2
1 4 7 1 4 7
1 2 1 1 2 1
f2 ←− f2 − 2f1
0 −2 −5 f3 ←− f3 + f2
0 −2 −5 .
f3 ←− f3 − f1
0 2 6 0 0 1
Entonces,
1 2 1
U =
0 −2 −5 .
0 0 1
Ahora determinemos L:
Como la primera operación elemental fila fue multiplicar la fila uno por 12 y el
inverso multiplicativo de un medio es 2, entonces multipliquemos en la matriz
identidad, I3 , la fila uno por 2. Obtenemos
2 0 0
0 1 0 .
0 0 1
Matrices y sistemas de ecuaciones lineales 69
Como la segunda operación elemental fila fue: a la fila dos, restarle dos veces la
fila uno y el inverso aditivo de −2 es 2, entonces en la matriz identidad I3 , a la
fila dos, sumémosle dos veces la fila uno.
1 0 0
2 1 0 .
0 0 1
Como la tercera operación elemental fila fue: a la fila tres, restarle una vez la fila
uno y el inverso aditivo de −1 es 1, entonces en la matriz identidad I3 , a la fila
tres, sumémosle una vez la fila uno. Combinando esto con el resultado anterior,
obtenemos
2 0 0
2 1 0 .
1 0 1
Como la cuarta operación elemental fila fue: a la fila tres, sumarle una vez la fila
dos y el inverso aditivo de 1 es −1, entonces en la matriz identidad I3 , a la fila
tres, restémosle una vez la fila uno. Combinando el resultado anterior, obtenemos
2 0 0
2 1 0 .
1 −1 1
Verifique que A = LU .
70 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
L~y = ~b
2 0 0 y 12
1
2 1 0 y2 = 3
1 −1 1 y3 16
De donde se obtiene
2y1 = 12 ⇒ y1 = 6 ,
2y1 + y2 = 3 ⇒ y2 = −9 ,
y1 − y2 + y3 = 16 ⇒ y3 = 1 .
U~x = ~y
1 2 1 x1 6
0 −2 −5 x2 = −9
0 0 1 x3 1
De donde se obtiene
x1 + 2x2 + x3 = 6 ,
−2x2 − 5x3 = −9 ,
x3 = 1 .
Luego,
x1 = 1 ,
x2 = 2 ,
x3 = 1 .
Nota: los algoritmos de sustitución hacia adelante y hacia atrás son rápidos y
fáciles de implementar, por lo que son muy utilizados.
Nota: una matriz de n × n puede tener más de una factorización LU .
Matrices y sistemas de ecuaciones lineales 71
2x1 + 8x2 = 18
2x1 + 2x2 − 3x3 = 3
x1 + 2x2 + 7x3 = 12 .
Respuesta. x1 = 1, x2 = 2 y x3 = 1.
2 0 0 1 4 0
L= 2 −3 0,
U =
0 2 1.
1 −1 1 0 0 8
2x1 + 4x2 − x3 = 1
4x1 + 4x2 = 4
6x1 + 10x2 + x3 = 7 .
2 4−1 2 4 −1
f2 ←− f2 − 2f1
4
4 0
f3 ←− f3 − 3f1
0
−4 2
6 10 1 0 −2 4
2 4 −1 2 4 −1
f2 ←− 12 f2 0
f3 ←− f3 − f2
−2 1 0
−2 1 .
0 −2 4 0 0 3
Entonces,
2 4 −1
U =
0 −2 1 .
0 0 3
72 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ahora determinemos L:
Como la primera operación elemental fila fue: a la fila dos, restarle dos veces
la fila uno y el inverso aditivo de −2 es 2, entonces en la matriz identidad I3 , a
la fila dos, sumémosle dos veces la fila uno.
1 0 0
2 1 0 .
0 0 1
Como la segunda operación elemental fila fue: a la fila tres, restarle tres veces la
fila uno y el inverso aditivo de −3 es 3, entonces en la matriz identidad I3 , a la
fila tres, sumémosle tres veces la fila uno.
1 0 0
0 1 0 .
3 0 1
Como la tercera operación elemental fila fue multiplicar la fila dos por 12 y el
inverso multiplicativo de 12 es 2, entonces multipliquemos en la matriz identidad,
I3 , la fila dos por 2. Combinando con el resultado anterior, obtenemos
1 0 0
2 2 0 .
3 0 1
Como la cuarta operación elemental fila fue: a la fila tres, restarle una vez la
fila dos y el inverso aditivo de −1 es 1, entonces en la matriz identidad I3 , a la
fila tres, sumémosle una vez la fila uno. Combinando con el resultado anterior,
obtenemos
1 0 0
2 2 0 .
3 1 1
Matrices y sistemas de ecuaciones lineales 73
Verifique que A = LU .
Ahora procedemos con la sustitución hacia adelante.
L~y = ~b
1 0 0 y 1
1
2 2 0 y2 = 4
3 1 1 y3 7
De donde se obtiene
y1 = 1 ,
2y1 + 2y2 = 4 ⇒ y2 = 1 ,
3y1 + y2 + y3 = 7 ⇒ y3 = 3 .
U~x = ~y
2 4 −1 x1 1
0 −2 1 x2 = 1
0 0 3 x3 3
De donde se obtiene
2x1 + 4x2 − x3 = 1 ,
−2x2 + x3 = 1 ,
3x3 = 3 .
Luego,
x1 = 1 ,
x2 = 0 ,
x3 = 1 .
74 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
2x1 + 4x2 − x3 = 1
4x1 + 6x2 − x3 = 3
6x1 + 10x2 + x3 = 7 .
Respuesta. x1 = 1, x2 = 0 y x3 = 1.
1 0 0 2 4 −1
L=
2 1 0 ,
U =
0 −2 1.
3 1 1 0 0 3
Respuesta. x1 = 4, x2 = −2 y x3 = 1.
1
0 0 2 3 4
L=
2 1 0,
U =
0 −1 2 .
2 −2 1 0 0 −2
Determinantes
es
a11 a12
det(A) = ❅
= a11 a22 − a12 a21 .
✠❅❅
❘
a21 a22
76 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
entonces det(A) = (2 × 4) − (1 × 3) = 5.
det(A) =(a11 a22 a33 + a21 a32 a13 + a31 a12 a23 )−
(a13 a22 a31 + a23 a32 a11 + a33 a12 a21 ) .
Determinantes 77
Solución. Entonces,
1 0 3
❅
det(A) = −2−1
❘ 4
✠
❅ ,
0 ❅
2 5
✠ ❅❘
❅
1 ❅
0 3
✠ ❅
❘
❅
−2 −1 4
luego,
Teorema 21. Si una matriz se obtiene de una matriz An×n al intercambiar dos
filas (columnas), entonces su determinante es el mismo de A con signo inverso,
es decir, si en A intercambiamos las filas (columnas) i y j, entonces
det(Afi ↔fj ) = − det(A) o
det(Aci ↔cj ) = − det(A) .
Ejemplo 52. Al intercambiar las filas uno y dos del ejemplo 55, obtenemos
−2 0 1
Af2 ↔f3 = 1 3 4 .
3 2 1
Su determinante es
det(Af1 ↔f2 ) =(−2 × 3 × 1 + 1 × 2 × 1 + 3 × 0 × 4)−
(1 × 3 × 3 + 4 × 2 × (−2) + 1 × 0 × 1)
=(−6 + 2 + 0) − (9 − 16 + 0)
=3 .
Efectivamente, det(Af1 ↔f2 ) = − det(A).
Ejercicio 86. Sean
5 31 3
0 2
A=
3 0 2
y B=
1 5 3.
−2 2 1 −2 2 1
Teorema 22. Si una matriz se obtiene de otra An×n al multiplicar una fila
(o columna) por un k ∈ R, entonces el determinante de la nueva matriz es k
veces el determinante de la matriz original, es decir, det(Afi ←kfi ) = k det(A)
(det(Aci ←kci ) = k det(A)).
det(A) = (1 × 0 × 1 + (−2) × 2 × 4 + 3 × 3 × 1) −
(4 × 0 × 3 + 1 × 2 × 1 + 1 × 3 × (−2))
=(0 − 16 + 9) − (0 + 2 − 6)
= − 3.
y su determinante es
det AT = (1 × 0 × 1 + 3 × 1 × 3 + 4 × (−2) × 2) −
(3 × 0 × 4 + 2 × 1 × 1 + 1 × (−2) × 3)
=(0 + 9 − 16) − (0 + 2 − 6)
= − 3.
Hemos verificado que det(A) = det AT .
Ejercicio 90. Si det(A) = −7, entonces ¿cuánto es det AT ?
Teorema 25. Dada una matriz An×n , si dos de sus filas (columnas) son iguales,
entonces det(A) = 0.
Para entender mejor la siguiente prueba suponga una matriz A con dos filas
iguales
4 0 3 5
1 3 4 0
A=
4
0 3 5
2 0 5 7
y suponga que det(A) = c. Observe que la fila uno y la tres son iguales. Ahora
construya una matriz B obtenida al intercambiar las filas uno y tres. Por tanto,
4 0 3 5
1 3 4 0
B=
4 0 3 5 .
2 0 5 7
Como se intercambiaron dos filas, entonces det(B) = −c. Pero, A y B son iguales,
entonces det(A) = det(B), por tanto c = −c. El único real que cumple c = −c
es el 0. Se concluye que det(A) = 0. Ahora sı́, veamos la prueba formal.
Prueba.
82 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
1
Sea A ∈ Mn×n , hipótesis
2
Sean fi y fj (ci y cj ) iguales en A, i 6= j hipótesis
3
Sea B = Afi ↔fj (B = Aci ↔cj ), construcción
4
det(B) = − det(A), por teorema 21
5
det(B) = det(A), por A y B ser iguales
6
det(A) = − det(A), 4 y por
.
por
5
6
Luego, det(A) = 0 por
.
Observe que las filas uno y tres son iguales, luego, considerando el teorema
25, det(A) = 0. Ahora, solo para verificar, calculemos este determinante por el
método explicado:
det(A) = (4 × 3 × 3 + 1 × 0 × 3 + 4 × 0 × 4) −
(3 × 3 × 4 + 4 × 0 × 4 + 3 × 0 × 1)
=(36 + 0 + 0) − (36 + 0 + 0)
=0 .
Prueba.
Por hipótesis, sea An×n tal que la fila i sea nula, i ∈ [1, . . . , n]. Construyamos
una matriz B a partir de A tal que la fila i en B sea igual a una fila j en A,
Determinantes 83
Como realizamos dos intercambios de fila, entonces, por el teorema 21, el deter-
minante de A es |A| = (−1) × (−1) × |A1 |. Ahora, obtengamos ceros debajo del
uno principal de la primera fila
1 1 −2 2
f3 ← f3 − 2f1 0 1 4 5
A2 = .
f4 ← f4 − f1 0 1
8 −4
0 1 2 5
1 1 −2 2
f3 ← f3 − f2 0 1 4 5
A3 = .
f4 ← f4 − f2 0 0
4 −9
0 0 −2 0
1 1 −2 2
1
0 1 4 5
f3 ← 4 f3 A4 =
0 0 1
.
−9
4
0 0 −2 0
86 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Prueba.
1 A es no singular,
hipótesis
2
A−1 existe, 1
de
3
AA−1 = In , definición de inversa
4
det(AA−1 ) = det(In ), obteniendo el determinante
3
a ambos lados de
5
det(A) · det A−1 = 1, propiedad de determinante.
1
Luego, det(A) 6= 0 y det A−1 = .
det(A)
Determinantes 87
Ejemplo 61. Si el det(A) = 7, entonces det A−1 = 17 .
Ejercicio 96. Si
1 −13
A=
−2 2 4 ,
3 1 5
calcular:
1. det(A) =
2. det A−1 = (empleando el teorema 28)
3. A−1 =
4. det A−1 (empleando alguno de los dos métodos estudiados).
1
Respuesta. det(A) = 48, det(A−1 ) = 48
4 4 1 0
2 8 0 4
4. =?
0 0 0 0
7 1 8 4
5 1 −1 2 2 3
5. Si 2 2 3 = 38, entonces 5 1 −1=?
3 1 5 3 1 5
Respuesta.
1. -18 porque det AT = det(A).
Ejercicio 99. Si
2 1 0
B=
0 −2 1 ,
3 5 0
= 3 × 0 + 1 × 10 + 0 × 4
= 10 .
= 0 × 0 + (−2) × 0 + 5 × 2
= 10 .
= 2 × 5 + 0 × (−15) + 0 × (−6)
= 10 .
Determinantes 91
Ejercicio 100. Sea B la matriz del ejercicio 99. Calcule su determinante por
cada una de las filas. ¿Por cuál fila considera que es mejor calcularlo?
Respuesta. det(B) = −7.
Teorema 30. Sea An×n = [aij ], entonces
n
X
aij Akj = 0, i, k ∈ [1 . . . n], i 6= k ;
j=1
n
X
aij Akj = 0, j, k ∈ [1 . . . n], j 6= k .
i=1
Ejemplo 64. Sea la matriz A del ejemplo 62, si multiplicamos los elementos de
la primera fila por los correspondientes cofactores de la fila 2, obtenemos
3
X
a1j A2j = 3 × 0 + 1 × 0 + 0 × 2
j=1
= 0.
= 0.
Ejercicio 101. Sea B la matriz del ejercicio 99. Verifique el teorema 30 en cada
una de sus filas.
Definición 25 (Matriz adjunta). Sea An×n = [aij ], entonces la adjunta de A,
adj(A), es
A11 A21 . . . An1
A12 A22 . . . An2
adj(A) = . .. .. .. ,
.. . . .
A1n A2n . . . Ann
92 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejercicio 103. Sea B la matriz del ejercicio 99. Verifique el teorema 31.
1
A−1 = adj(A) .
det(A)
Prueba.
1 Sea An×n tal que det(A) 6= 0,
hipótesis
2
det(A)In = (adj(A))A, por teorema 31
3 1 1 y
2
In = det(A) adj(A)A, por
1
4
A−1 A = det(A) adj(A)A, pues In = A−1 A.
4 A−1 = 1
Entonces, de
, det(A) adj(A).
Determinantes 93
" #
a b
Corolario 4. Sea A = tal que det(A) 6= 0, entonces
c d
" #
1 d −b
A−1 = .
ad − bc −c a
#"
3 5
Ejemplo 67. Sea A = , entonces
3 7
" #
1 7 −5
A−1 = .
6 −3 3
2x1 + x2 + x3 = 0
x1 − x2 − x3 = 0
4x1 − x2 + 2x3 = 0 .
Entonces,
2 1 1
A=
1 −1 −1
y det(A) = 9 .
4 −1 2
Encontrar:
Determinantes 95
1. Los cofactores de A
2. det(A)
3. adj(A)
4. A−1
5. det A−1 .
Solución.
= 12 .
3. Ahora, la adj(A) es
10 0 −8
adj(A) =
−16 6 .
14
−2 0 4
4. La inversa de A es
0 −8 10
1 1
A−1 = adj(A) = −16 6 14 .
det(A) 12
−2 0 4
5. El determinante de A−1 es
1 1
|A−1 | = = .
|A| 12
Encontrar:
1. Los cofactores de A
3. adj(A)
4. A−1
5. det A−1 .
Solución.
Determinantes 97
2. El determinante de A es
3. Ahora, la adj(A) es
−7 −6 −4
adj(A) =
−2 −3 −2 .
3 3 3
98 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
4. La inversa de A es
−7 −6 −4
1 1
A−1 = adj(A) = − .
−2 −3 −2
det(A) 3
3 3 3
5. El determinante de A−1 es
1 1
|A−1 | = =− .
|A| 3
2x + 4y − z = 7
2y + z = 7
Determinantes 99
x + y = 3.
1.
7 4 −1
A1 =
7 2 1
y |A1 | = (0 − 7 + 12) − (−6 + 7 + 0)
3 1 0 = 4.
|A1 | 4
Entonces x = |A| = 4 = 1.
2.
2 7 −1
A2 =
0 7 1
y |A2 | = (0 + 0 + 7) − (−7 + 6 + 0)
1 3 0 = 8.
|A2 | 8
Entonces y = |A| = 4 = 2.
3.
2 4 7
A3 =
0 2 7
y |A3 | = (12 + 0 + 28) − (14 + 14 + 0)
1 1 3 = 12 .
|A3 | 12
Entonces z = |A| = 4 = 3.
De esta forma,
x 1
y = 2 .
~x =
z 3
100 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
3x1 + 4x2 − x3 = 2
x1 + x3 = 2
2x1 − 3x2 = −3 .
x + 3y + 7z = 11
−2x − 4z = −6
−x + 3y + 3z = 5 .
Entonces
P2 = (x2,y2)
P3 = (x3,y3)
P1 = (x1,y1)
Como el determinante puede ser negativo, pero el área no, se toma el valor
absoluto; luego
x1 y 1 1
1
A△ = abs det x2 y2 1 .
2
x3 y 3 1
P1 = (1, 5)
P3 = (7, 2)
P2 = (2, 1)
Solución.
1 5 1
1
A△ = abs det 2 1 1
2
7 2 1
= abs ((1 + 4 + 35) − (7 + 2 + 10))
= 21 .
——
Solución. La diagonal P1 P3 divide el paralelogramo P1 P2 P3 P4 en dos △s iguales.
Entonces, busquemos el área del triángulo P1 P2 P3 y lo multiplicamos por dos
Determinantes 103
P2 = (8, 5)
P3 = (-1, 3)
P1 = (10, 1)
P4 = (1, -1)
Vectores en Rn
3.1 Vectores en R2
Denotaremos cada vector con una letra minúscula y una flecha encima, por
ejemplo ~u, ~v , w,
~ ~x, ~y y ~z representan vectores.
Ejemplo 77. Son vectores en R2 :
" # " # " #
3 3 1
~u = , ~v = y w
~= .
2 0 −5
106 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Los vectores en R2 tienen una correspondencia unı́voca con los puntos del
plano cartesiano, por lo tanto, también es frecuente escribir cada vector en R2
como un par ordenado (x, y) y representarlo gráficamente.
" # " # " #
2 −3 0
Ejemplo 78. Los vectores ~u = , ~v = yw~ = son representados
0 1 −4
en la figura 3.1
v = (-3,1)
u = (2,0)
w =(0,-4)
d Cabeza
nitu
}
g
Ma
θ
Cola
Direccion
(-3,2)
θ
(2,-1)
Ejercicio 112. Dibuje el vector que tiene cola en (1, −1) y cabeza en (−1, 4).
Definición 27 (Distancia entre dos puntos en R2 ). Lap distancia entre los puntos
(u1 , u2 ) y (v1 , v2 ) pertenecientes a R2 es d =k ~u −~v k= (u1 − v1 )2 + (u2 − v2 )2 ,
donde ~u = (u1 , u2 ), ~v = (v1 , v2 ) y k ~u − ~v k es la norma del vector ~u − ~v .
Ejercicio 113. Calcule la distancia entre los puntos (1, 1) y (5, −2).
Respuesta. 5.
108 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
2. Dos vectores ~u, ~v ∈ R2 son iguales si tienen igual dirección e igual magnitud.
Ejemplo 82. ¿Son los vectores ~u, ~v , representados en la figura 3.4, iguales?
(1,5)
v
(4,3)
θ2
(-3,2) u
θ1
(0,0)
Solución.
p
1. La norma de ~u es k ~u k= (4 − 0)2 + (3 − 0)2 = 5.
Vectores en Rn 109
2. La dirección de ~u es θ1 = tan−1 34 .
p
3. La norma de ~v es k ~v k= (1 − (−3))2 + (5 − 2)2 = 5.
5−2
4. La dirección de ~v es θ2 = tan−1 1−(−3) = tan−1 34 .
Como los dos vectores tienen igual longitud, k ~u k=k ~v k, e igual dirección,
θ1 = θ2 , entonces ~u = ~v .
Otra forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen. Ello se
logra restándole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5) − (−3, 2)
= (1 − (−3), 5 − 2)
= (4, 3) ,
que son las mismas coordenadas del vector ~u. Luego, ~u y ~v son iguales.
v
+
v u
Ejemplo 83. Encontrar la suma de los vectores ~u = (3, −2) y ~v = (−3, 6).
Solución.
" # " #
3 −3
~u + ~v = +
−2 6
" #
0
= .
4
(-3,6)
u +v
v
u
(3,-2)
~u · ~v = u1 v1 + u2 v2 .
112 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
u
(3,-2)
-v
u -v
(6,-8)
~u · ~v = 2 × 3 + 5 × (−2)
= 6 − 10
= −4 .
p
2 2 u21 + u22 ,
Nota. Si ~u = (u√1 , u2 ), entonces ~u · ~u = u1 + u2 ; y como k ~u k=
entonces k ~u k= ~u · ~u.
1. ~u · ~u > 0 y ~u · ~u = 0 si y solo si ~u = ~0
2. ~u · ~v = ~v · ~u
3. (~u + ~v ) · w
~ = ~u · w
~ + ~v · w
~
Prueba de 1.
1 Sea ~u = (u1 , u2 ) ∈ R2 ,
hipótesis
2
~u · ~u = (u1 , u2 ) · (u1 , u2 ), 1
por
3
= u21 + u22 , definición de producto escalar
4
> 0, pues u21 > 0 y u22 > 0.
Luego, ~u · ~u > 0.
De
3 se deduce que u21 + u22 = 0 si y solo si u1 = 0 y u2 = 0, es decir, si y solo
si ~u = (0, 0).
~u · ~u = (−3, 5) · (−3, 5)
= (−3) × (−3) + 5 × 5
= 34 > 0 .
Prueba de 2.
1 Sean ~u = (u1 , u2 ) y ~v = (v1 , v2 ) ∈ R2 ,
hipótesis
2
~u · ~v = (u1 , u2 ) · (v1 , v2 ), 1
por
3
= u1 v1 + u2 v2 , definición de producto escalar
4
= v1 u 1 + v2 u 2 , conmutatividad en R
5
= (v1 , v2 ) · (u1 , u2 ), definición de producto escalar
6
= ~v · ~u, 1
por
.
2 a
,
Por
6 ~u · ~v = ~v · ~u.
~u · ~v = (−3, 2) · (1, 4)
= (−3) × 1 + 2 × 4
= 5.
Ahora,
~v · ~u = (1, 4) · (−3, 2)
114 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
= 1 × (−3) + 4 × 2
= 5.
Prueba de 3.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) y w
~ = (w1 , w2 ) ∈ R2 , hipótesis
2 (~u + ~v ) · w
~ = (u1 , u2 ) + (v1 , v2 ) · (w1 , w2 ), 1
por
3
= (u1 + v1 , u2 + v2 ) · (w1 , w2 ), suma de vectores
4
= (u1 + v1 )w1 + (u2 + v2 )w2 , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2 , distributividad en R
6
= u1 w1 + u2 w2 + v1 w1 + v2 w2 , conmutatividad en R
7
= (u1 , u2 ) · (w1 , w2 ) + (v1 , v2 ) · (w1 , w2 ) producto escalar
8
= ~u · w
~ + ~v · w, 1
por
.
2 a
,
Luego, por
8 (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~
(~u + ~v ) · w
~ = [(4, 3) + (0, 2)] · (1, 4)
= (4, 5) · (1, 4)
=4×1+5×4
= 24 .
Ahora,
~u · w
~ + ~v · w
~ = (4, 3) · (1, 4) + (0, 2) · (1, 4)
= (4 × 1 + 3 × 4) + (0 × 1 + 2 × 4)
= 16 + 8
= 24 .
Prueba de 4.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 y c un escalar,
hipótesis
2
(c~u) · ~v = (c(u1 , u2 )) · (v1 , v2 ), 1
por
3
= (cu1 , cu2 ) · (v1 , v2 ), escalar por un vector
4
= (cu1 )v1 + (cu2 )v2 , producto escalar
5
= c(u1 v1 ) + c(u2 v2 ), asociatividad en R
6
= c(u1 v1 + u2 v2 ), factor común
7
= c((u1 , u2 ) · (v1 , v2 )), producto escalar
8
= c(~u · ~v ), 1
por
.
2 a
,
Ası́, por
8 (c~u) · ~v = c(~u · ~v ).
Ejemplo 90. Si c = −2, ~u = (3, −2) y ~v = (1, 3), verificar que (c~u) · ~v = c(~u · ~v ).
Solución.
Ahora,
~u · ~v
cos θ = .
k ~u k k ~v k
Prueba.
Primero observe la figura 3.8
(v1,v2)
v u -v
(u1,u2)
θ u
1
Sean ~u = (u1 , u2 ) 6= ~0 y ~v = (v1 , v2 ) 6= ~0 ∈ R2 , hipótesis
2
k ~u − ~v k2 = (u1 − v1 )2 + (u2 − v2 )2 , distancia entre 2 puntos
3
k ~u − ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, ley del coseno
4
(u1 − v1 )2 + (u2 − v2 )2 =
k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, 2 =
3
5
(u21 − 2u1 v1 + v12 ) + (u22 − 2u2 v2 + v22 ) =
(u21 + u22 ) + (v12 + v22 ) − 2 k ~u kk ~v k cos θ, 4
resolviendo
−2(u1 v1 + u2 v2 )
6
= cos θ, 5
simplificando
.
−2 k ~u kk ~v k
u·~
~ v
Ası́, cos θ = k~
ukk~vk .
~ = (2 − 1, 4 − 2) = (1, 2) .
w
Vectores en Rn 117
(2,4)
v
(5,2)
(1,2)
u
Como w
~ = ~v , entonces tienen igual dirección. Luego, el ángulo entre ~u y w
~ es
~u · w
~
θ = cos−1
k ~u kk w ~k
−1 (5, 2) · (1, 2)
= cos √ √
52 + 22 12 + 22
−1 5+4
= cos √ √
29 5
−1 9
= cos √ .
29 × 5
Ejercicio 124. Determinar el ángulo θ entre los vectores ~u = (3, 4) y ~v = (1, 5).
23
Respuesta. cos−1 √ .
5 26
Definición 35 (Vectores ortogonales en R2 ). Dos vectores no nulos ~u, ~v ∈ R2
son ortogonales si forman un ángulo recto.
π
Nota. Si ~u y ~v son ortogonales, entonces el ángulo entre ellos es 2, luego
π
~u · ~v
cos 2 = = 0,
k ~u kk ~v k
lo que implica que su producto escalar es cero, es decir, ~u · ~v = 0.
Ejemplo 92. Los vectores ~u = (3, 5) y ~v = (−5, 3) de la figura 3.10 son ortogo-
nales, pues
~u · ~v = (3, 5) · (−5, 3)
118 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
= −15 + 15 = 0 .
(3,5)
(-5,3)
u
v
Ejercicio 125. ¿Son los vectores ~u = (2, −3) y ~v = (3, 2) ortogonales? Explique
porqué. Dibújelos.
Ejemplo 93. Los vectores ~u = (2, −3) y ~v = (−6, 9) son paralelos pues:
Su producto escalar es
~u · ~v = 2 × (−6) + (−3) × 9
= −12 − 27
= −39 ,
√ √
= 13 117
√
= 13 × 117
p
= 13 × (13 × 9)
= 13 × 3
= 39 .
Ejercicio 126. ¿Son los vectores ~u = (2, 5) y ~v = (6, 15) paralelos? Justifique
su respuesta.
Definición 37 (Vectores con igual dirección en R2 ). Dos definiciones:
Su producto escalar es
~u · ~v = 8 × 2 + 4 × 1
120 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
= 16 + 4
= 20 ,
Observe que ~u = 4~v y que, además, estos dos vectores también son paralelos.
En la figura 3.12 se ilustra este ejemplo.
Ejercicio 127. ¿Tienen los vectores ~u = (2, 4) y ~v = (8, 16) igual dirección?
Justifique su respuesta.
Definición 38 (Vector unitario en R2 ). Un vector unitario en R2 es aquel cuya
magnitud es uno.
Ejemplo 95. Encontrar un vector unitario w
~ en la dirección de ~u = (−1, 3).
Solución. La magnitud de ~u es
p √
k ~u k = (−1)2 + 32 = 10 ,
Vectores en Rn 121
~u (−1, 3) −1 3
w
~= = √ = √ ,√ ,
k ~u k 10 10 10
entonces w
~ es un vector unitario en la dirección de ~u.
Ejercicio 128. Encontrar un vector unitario w
~ en la dirección de ~u = (−3, 4).
Solución. (−3/5, 4/5).
Definición 39 (Vectores coordenados unitarios en R2 ). En R2 existen dos vecto-
res importantes llamados vectores coordenados unitarios: ı̂ = (1, 0) y ̂ = (0, 1).
j
i
~u = (3, −4)
= (3, 0) + (0, −4)
= 3(1, 0) + (−4)(0, 1)
= 3ı̂ + (−4)̂
= 3ı̂ − 4̂ .
Casa
10 Km
f 1=12 N
f 2=16 N Silla
Figura 3.15: vectores representando una silla halada por dos personas
f =20 N f 1=12 N
θ
Silla
f 2=16 N
Figura 3.16: fuerza resultante de una silla halada por dos personas
3.2 Vectores en Rn
donde u1 , u2 , . . . , un ∈ R.
Ejemplo 99.
itud Cola
Magn
}
θ y
z
(2,3,4)
Ejercicio 132. Dibujar los vectores ~u1 = (2, −3, 2), ~u2 = (2, 3, −2) y ~u3 =
(−1, 1, 2).
Definición 41 (Dirección de un vector en R3 y ángulos directores). La di-
rección de un vector ~v en R3 se define como el vector unitario ~u = k~~vvk =
(cos α, cos β, cos γ), donde α, β, γ, llamados ángulos directores, son los ángulos
formados por el vector ~v con los ejes x, y, z, respectivamente.
√ √
Ejemplo 101. La dirección del vector ~v = (3, 2, 3) es ~u = k~~vvk = 43 , 12 , 43 .
√
Y sus ángulos directores son: α = cos−1 34 , β = cos−1 12 y γ = cos−1 43 .
Vectores en Rn 125
z
v
u y
2. Dos vectores ~u, ~v ∈ Rn son iguales si tienen igual dirección e igual magnitud.
Ejemplo 104. ¿Son los vectores ~u = (4, 3, 2) y ~v con cabeza en (1, 5, 2) y cola
en (−3, 2, 0), representados en la figura 3.19, iguales?
Solución. Una forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen.
Ello se logra restándole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5, 2) − (−3, 2, 0)
= (1 − (−3), 5 − 2, 2 − 0)
= (4, 3, 2) ,
que son las mismas coordenadas del vector ~u. Luego, ~u y ~v sı́ son iguales.
Ejercicio 136. Sea ~u = (2, −1, 3), graficar ~u y determinar:
n
X
~u · ~v = u1 v1 + u2 v2 + · · · + un vn = u i vi .
i=1
Ejercicio 139. Determine el producto escalar entre ~u = (1, 5, 3, −1, 0) y (2, 0, −2, 4, 15).
Respuesta. −8.
p
Nota. Como k ~u k= u21 + u22 + · · · + u2n y ~u · ~u = u21 + u22 + · · · + u2n , entonces
k ~u k2 = ~u · ~u .
1. ~u · ~u > 0 y ~u · ~u = 0 si y solo si ~u = ~0
2. ~u · ~v = ~v · ~u
3. (~u + ~v ) · w
~ = ~u · w
~ + ~v · w
~
Prueba de 1.
Vectores en Rn 129
1
Sea ~u = (u1 , u2 , . . . , un ), hipótesis
2
~u · ~u = (u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ), 1
por
3
= u21 + u22 + · · · + u2n , definición de producto escalar
4
Como u21 > 0, u22 > 0, . . . , u2n > 0, propiedad en R
5
Entonces u21 + u22 + · · · + u2n > 0, 4
por
.
2
Luego, ~u · ~u > 0 por
, 3 y
.
5
6
~u · ~u = 0 si y solo si
1
por
(u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ) = 0,
7
si y solo si u21 + u22 + · · · + u2n = 0, definición de producto escalar
8
si y solo si u1 = 0, u2 = 0, . . . , un = 0, propiedad en R
9
si y solo si ~u = ~0, 1
por
.
9 ~u · ~u = 0 si y solo si ~u = ~0.
6 a
,
Luego, por
~u · ~u = (−2, 3, 4, 1) · (−2, 3, 4, 1)
= (−2) × (−2) + 3 × 3 + 4 × 4 + 1 × 1
= 30 > 0 .
Prueba de 2.
1 ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u · ~v = (u1 , u2 , . . . , un ) · (v1 , v2 , . . . , vn ), 1
de
3
= u1 v1 + u2 v2 + · · · + un vn , definición de producto escalar
4
= v1 u1 + v2 u2 + · · · + vn un , conmutatividad en R
5
= (v1 , v2 , . . . , vn ) · (u1 , u2 , . . . , un ), definición de producto escalar
6
= ~v · ~u, 1 en
.
5
2 a
,
Luego, por
6 ~u · ~v = ~v · ~u.
Ejemplo 110. Si ~u = (1, −3, 5, 4, 2) y ~v = (1, 1, 2, 0, 1), verificar que ~u ·~v = ~v · ~u.
Solución.
= 1 × 1 + (−3) × 1 + 5 × 2 + 4 × 0 + 2 × 1
= 10 .
Ahora,
Prueba de 3.
1 Sean ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn )
hipótesis
yw ~ = (w1 , w2 , . . . , wn ) ∈ Rn ,
2
~ = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ) ·
(~u + ~v ) · w 1
de
(w1 , w2 , . . . , wn ),
3
= (u1 + v1 , u2 + v2 , . . . , un + vn )·
suma de vectores
(w1 , w2 , . . . , wn ),
4
= (u1 + v1 )w1 + (u2 + v2 )w2 definición de
+ · · · + (un + vn )wn , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2
distributividad en R
+ · · · + un wn + vn wn ,
6
= (u1 w1 + u2 w2 + · · · + un wn )+
conmutatividad en R
(v1 w1 + v2 w2 + · · · + vn wn ),
7
= (u1 , u2 , . . . , un ) · (w1 , w2 , . . . , wn )+ definición de
(v1 , v2 , . . . , vn ) · (w1 , w2 , . . . , wn ), producto escalar
8
= ~u · w
~ + ~v · w,
~ 1 en
.
7
2 a
,
Luego, por
8 (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~
(~u + ~v ) · w
~ = [(1, 2, 3, 0, 1) + (3, 1, 2, −1, 2)] · (2, 0, −4, 1, 1)
Vectores en Rn 131
Ahora,
~u · w
~ + ~v · w
~ = (1, 2, 3, 0, 1) · (2, 0, −4, 1, 1) + (3, 1, 2, −1, 2) · (2, 0, −4, 1, 1)
= (1 × 2 + 2 × 0 + 3 × (−4) + 0 × 1 + 1 × 1) + (3 × 2 + 1 × 0 + 2 × (−4) + (−1) × 1 + 2 × 1)
= (−9) + (−1)
= −10 .
Prueba.
Observe la figura 3.20.
Por la ley del coseno sabemos que
k ~u − ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
~ k2 = w
Ahora, como k w ~ · w,
~ entonces
~u · ~u − 2(~u · ~v ) + ~v · ~v =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
132 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
θ
u
v
u -v
Ası́,
k ~u k2 −2(~u · ~v )+ k ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
Simplificando
−2(~u · ~v ) = −2 k ~u kk ~v k cos θ .
u·~
~ v
Ası́, cos θ = k~
ukk~vk .
u
v
y
y
u
x
Su producto escalar es
1
~u · ~v = 2 × (−1) + 4 × (−2) + (−1) ×
2
1
= −2 − 8 −
2
21
=− ,
2
Ejemplo 116. Los vectores ~u = (3, 2, −1, 1) y ~v = (−6, −4, 2, −2) son paralelos
pues:
Su producto escalar es
Su producto escalar es
~u · ~v = 2 × 1 + 4 × 2 + 4 × 2
=2+8+8
136 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
v
y
= 18 ,
Ejemplo 118. Los vectores ~u = (0, 3, 1, −2, 0) y ~v = (0, 6, 2, −4, 0) tienen igual
dirección pues
Su producto escalar es
~u · ~v = 0 × 0 + 3 × 6 + 1 × 2 + (−2) × (−4) + 0 × 0
= 0 + 18 + 2 + 8 + 0
= 28 ,
√ √
= 0 + 9 + 1 + 4 + 0 0 + 36 + 4 + 16 + 0
√ √
= 14 56
p
= 2 × 7 × 23 × 7
= 22 × 7
= 28 .
|~u · ~v | 6k ~u kk ~v k .
Ejemplo 119. Sean los vectores ~u = (−1, 2, 3, 0, 2) y ~v = (1, 0, −3, 1, 2), verificar
el teorema de Cauchy–Schwarz.
Solución.
Ahora,
p p
k ~u kk ~v k = 22 + 32 + 12 + 22 02 + (−3)2 + 12 + 22
√ √
= 18 14
p √
= 2 × 32 2 × 7
p
= 22 × 32 × 7
√
= 2 × 3 7.
k ~u + ~v k6k ~u k + k ~v k .
Prueba.
1 Sean ~u, ~v ∈ Rn ,
hipótesis
p √
2 k ~u + ~v k= (~u + ~v ) · (~u + ~v ),
~ ∈ Rn , k w
∀w ~ k= ~ ·w
w ~
√
3
= ~u · ~u + ~u · ~v + ~v · ~u + ~v · ~v , propiedad del producto escalar
p
4
= k ~u k2 +2(~u · ~v )+ k ~v k2 , 2 y
razones de
3
p
5
6 k ~u k2 +2 k ~u kk ~v k + k ~v k2 , pues ~u · ~v 6k ~u kk ~v k
p
6
= (k u k + k v k)2 , 5 es trinomio cuadrado perfecto
7
=k ~u k + k ~v k, 6
simplificando
.
2 a
,
Luego, por
7 k ~u + ~v k6k ~u k + k ~v k.
v
+
u v
Ejemplo 120. Sean ~u = (3, 2, 0, −4) y ~v = (3, −2, 2, 1), verificar el teorema 39.
Primero calculemos la norma del vector resultante de la suma de los dos vectores
p
= 62 + 02 + 22 + (−3)2
√
= 49
= 7.
Ası́,
~u
w
~=
k ~u k
(2, −3, 4, 1)
= √
30
2 −3 4 1
= √ , √ , √ , .
30 30 30 30
~ en la dirección de ~u = (2, 4, −2, 3, −4)
Ejercicio 153. Encontrar un vector unitario w
2 4 −2 3 4
Respuesta. 7 , 7 , 7 , 7 , − 7 .
140 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
j
i
~u = (2, −4, 1)
= (2, 0, 0) + (0, −4, 0) + (0, 0, 1)
= 2(1, 0, 0) + (−4)(0, 1, 0) + 1(0, 0, 1)
= 2ı̂ + (−4)̂ + 1k̂
= 2ı̂ − 4̂ + k̂ .
e1 = (1, 0, . . . , 0) ∈ Rn
e2 = (0, 1, . . . , 0) ∈ Rn
..
.
en = (0, 0, . . . , 1) ∈ Rn ,
Ejemplo 123 (Operaciones con vectores). Sean los vectores ~u1 = (0, 2, −1, 3),
~u2 = (2, 1, 3, 1) y ~u3 = (1, −3, −6, 0).
Solución.
~u1 · ~u2 2 2
cos θ1 = =√ √ =√
k ~u1 k · k ~u2 k 14 · 15 2×7×3×5
2
θ1 = cos−1 √ .
2×7×3×5
u1
w1
kw
~ 1 k · k ~u1 k =k c~u1 k · k ~u1 k
= |c| k ~u1 k · k ~u1 k (3.2)
Como c > 0, entonces |c| = c, ası́ (3.1) = (3.2) y por tanto w
~ 1 · ~u1 =k w
~1 k
k ~u1 k . Luego w
~ 1 y ~u1 tienen igual dirección.
Nota. Si c < 0, entonces |c| = −c. Luego, w~ 1 y ~u1 son paralelos pero con
sentido contrario. Observe la figura 3.27.
7. Encontrar un vector ~x ortogonal a ~u2 , diferente de ~u1 .
Sea ~x = (x1 , x2 , x3 , x4 )
~x · ~u2 = 0
(x1 , x2 , x3 , x4 ) · (2, 1, 3, 1) = 2x1 + 1x2 + 3x3 + 1x4 = 0 .
Una ecuación con cuatro incógnitas. Esto implica que hay infinitos vectores.
Por ejemplo si x1 = 1, x2 = 1 y x3 = 1, entonces x4 = −6. Luego ~x =
(1, 1, 1, −6) es ortogonal a ~u1 . Se verifica realizando ~x · ~u2 .
Vectores en Rn 143
u1
w1
u x v
v
θ
El vector w
~ es representado en la figura 3.29.
w = u +v
u
v
~ ∈ R3 y c un
Teorema 40 (Propiedades del producto cruz). Sean ~u, ~v y w
escalar, entonces:
1. ~u × ~v = −(~v × ~u)
2. ~u × (~v + w)
~ = ~u × ~v + ~u × w
~
3. (~u + ~v ) × w
~ = ~u × w
~ + ~v × w
~
5. ~u × ~u = ~0
6. ~0 × ~u = ~u × ~0 = ~0
7. ~u × (~v × w)
~ = (~u · w)~
~ v − (~u · ~v )w
~
8. (~u × ~v ) × w ~ · ~u)~v − (w
~ = (w ~ · ~v )~u
9. (~u × ~v ) · w
~ = ~u · (~v × w).
~
146 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ahora,
ı̂ ̂ k̂
~v × ~u = 2 −1 1
1 3 −1
= (ı̂ + 6k̂ + ̂) − (−k̂ + 3ı̂ − 2̂)
= −2ı̂ + 3̂ + 7k̂ .
Luego, ~u × ~v = −(~v × ~u), por tanto, hemos verificado la parte 1 del teorema 40.
Ejercicio 160. Invente dos vectores en R3 y verifique la parte 1 del teorema 40.
Vectores en Rn 147
Prueba de 2. ~u × (~v + w)
~ = ~u × ~v + ~u × w ~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y
hipótesis
~ = (w1 , w2 , w3 ) ∈ R3 ,
w
2
~u × (~v + w)
~ =~u × (v1 + w1 , v2 + w2 , v3 + w3 ), por
1 y suma de
vectores
ı̂ ̂ k̂
3
= u1 u2 u3 , definición de pro-
v1 + w1 v2 + w2 v3 + w3 ducto cruz
4
= [u2 (v3 + w3 ) − u3 (v2 + w2 )] ı̂+
[u3 (v1 + w1 ) − u1 (v3 + w3 )]̂+ 3
resolviendo
[u1 (v2 + w2 ) − u2 (v1 + w1 )]k̂,
5
= (u2 v3 − u3 v2 )ı̂ + (u3 v1 − u1 v3 )̂+
(u1 v2 − u2 v1 )k̂ + (u2 w3 − u3 w2 )ı̂+ propiedades en R
(u3 w1 − u1 w
3 )̂ + (u1 w2 − u2 w1 )k̂,
ı̂ ̂ k̂ ı̂ ̂ k̂
6
=u1 u2 u3 + u1 u2 u3 , 5
resolviendo
v1 v2 v3 w1 w2 w3
7
= ~u × ~v + ~u × w,
~ 3
razón de
.
Luego, ~u × (~v + w)
~ = ~u × ~v + ~u × w, 2 a
.
~ por
7
~u × (~v + w)
~ = (ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂) + (ı̂ + 2̂ + k̂)
= (ı̂ − 2̂ + k̂) × (2ı̂ + 0̂ + 3k̂)
ı̂ ̂ k̂
= 1 −2 1
2 0 3
= (−6ı̂ + 0k̂ + 2̂) − (−4k̂ + 0ı̂ + 3̂)
= −6ı̂ − ̂ + 4k̂ .
148 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ahora,
ı̂ ̂ k̂ ı̂ ̂ k̂
~u × ~v + ~u × w
~ = 1 −2 1 + 1 −2 1
1 −2 2 1 2 1
= (−4ı̂ − 2k̂ + ̂) − (−2k̂ − 2ı̂ + 2̂) +
(−2ı̂ + 2k̂ + ̂) − (−2k̂ + 2ı̂ + ̂)
= (−2ı̂ − ̂ + 0k̂) + (−4ı̂ + 0̂ + 4k̂)
= −6ı̂ − ̂ + 4k̂ .
Luego, ~u × (~v + w)
~ = ~u × ~v + ~u × w,
~ por tanto, hemos verificado la parte 2 del
teorema 40.
Ejercicio 161. Invente tres vectores en R3 y verifique la parte 2 del teorema
40.
Ejercicio 162. Probar 3, (~u + ~v ) × w
~ = ~u × w
~ + ~v × w,
~ y realizar un ejemplo.
2 a
Luego, c(~u × ~v ) = (c~u) × ~v = ~u × (c~v ), por
7
Ahora,
(c~u) × ~v = 2(ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂)
= (2ı̂ − 4̂ + 2k̂) × (ı̂ − 2̂ + 2k̂)
ı̂ ̂ k̂
= 2 −4 2
1 −2 2
= (−8ı̂ − 4k̂ + 2̂) − (−4k̂ − 4ı̂ + 4̂)
= −4ı̂ − 2̂ + 0k̂ .
Luego, c(~u × ~v ) = (c~u) × ~v , por tanto, hemos verificado la parte 4 del teorema
40.
Prueba de 5. ~u × ~u = ~0
150 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
1
Sea ~u = (u1 , u2 , u3 ) ∈ R3 , hipótesis
ı̂ ̂ k̂
2
~u × ~u = u1 u2 u3 , 1 y definición
por
u1 u2 u3
de producto cruz
3
= (u2 u3 − u3 u2 )ı̂ + (u3 u1 − u1 u3 )̂+
(u1 u2 − u2 u1 )k̂, 2
resolviendo
4
= 0ı̂ + 0̂ + 0k̂, 3
simplificando
.
Luego, ~u × ~u = ~0, por
2 y
3
Luego, ~u × ~u = ~0, por tanto, hemos verificado la parte 5 del teorema 40.
Prueba de 6. ~0 × ~u = ~u × ~0 = ~0
1 Sea ~u = (u1 , u2 , u3 ) ∈ R3 , hipótesis
ı̂ ̂ k̂
2 ~0 × ~u = 0 0 0 ,
1 y definición de producto cruz
por
u1 u2 u3
3
= 0ı̂
+ 0̂ + 0k̂, 2
resolviendo
ı̂ ̂ k̂
4
~u × ~0 = u1 u2 u3 , 2
razón de
0 0 0
5
= 0ı̂ + 0̂ + 0k̂, 4
resolviendo
.
~ ~ ~ 2 a
Luego, 0 × ~u = ~u × 0 = 0, por
5
Vectores en Rn 151
Luego, ~u × ~0 = ~0, por tanto, hemos verificado la parte 6 del teorema 40.
Prueba de 9. (~u × ~v ) · w
~ = ~u · (~v × w)
~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 )
hipótesis
yw ~ = (w1 , w2, w3 ) ∈ R3 ,
u1 u2 u3
2
(~u × ~v ) · w
~ = v1 v2 v3 , 1 y tarea 166
por
w1 w2 w3
w1 w2 w3
3
= − v1 v2 v3 , propiedad de determinantes
u1 u2 u3
f1 ↔ f3
v1 v2 v3
4
= −(−) w1 w2 w3 , propiedad de determinantes
u1 u2 u3 f1 ↔ f2
5
= (~v × w)
~ · ~u, 2
razón de
6
= ~u · (~v × w),
~ conmutatividad del producto
escalar.
Luego (~u × ~v ) · w
~ = ~u · (~v × w), 2 a
.
~ por
6
152 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Hacer ejemplo
k ~u × ~v k
sen θ = .
k ~u kk ~v k
u -v
h
u
θ v
k ~u k h
A△ =
2
k ~u k (k ~v k sen θ)
=
2
k ~u kk ~v k k ~u × ~v k
= ×
2 k ~u kk ~v k
k ~u × ~v k
= .
2
Ejemplo 131. Encontrar el área del △ delimitado por los vectores ~u = (3, 1, 2)
y ~v = (−1, −3, 1).
Solución. En la figura 3.31 se muestra el triángulo
ı̂ ̂ k̂
~u × ~v = 3 1 2
−1 −3 1
Vectores en Rn 153
z
v = (-1,-3,1)
u = (3,2,1)
x
Ejemplo 132. Encontrar el área del △ delimitado por los puntos P1 = (3, −1, 0),
P2 = (2, 3, 2) y P3 = (−2, 0, 3).
−→ −→
Solución. Sea ~u = P1 P2 = (−1, 4, 2) y ~v = P1 P3 = (−5, 1, 3) como se muestra
en la figura 3.32
ı̂ ̂ k̂
~u × ~v = −1 4 2
−5 1 3
= (12ı̂ − k̂ − 10̂) − (−20k̂ + 2ı̂ − 3̂)
= 10ı̂ − 7̂ + 19k̂
= (10, −7, 19) .
154 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
P3
v
P2
P1
Ejemplo 133. Encontrar al área del paralelogramo determinado por los vectores
~u y ~v del ejemplo 132.
√ √
Solución. Como A△ es 21 510, entonces A = 510.
♦
Ejercicio 169. Determinar el área del paralelogramo delimitado por los vectores
~u = (−1, 4, −1) y ~v = (1, 3, −3). Dibujar el paralelogramo.
√
Respuesta. 2 × 73.
Vp =k ~v × w
~ k (k ~u k cos θ), base por altura
~ , pues cos θ = k~(~
= abs (~u · (~v × w)) v ×w)·~
~ u
v ×wkk~
~ uk
u1 u2 u3
v1 v2 v3 , por ejercicio 166.
= abs
w1 w2 w3
v xw
||u ||cos θ
θ
w
w =(-1,0 ,4)
v =(-2,1,1)
u =(1,7,3)
y
x
~x = (x, y, z) es
~x = w
~ 0 + t~u . (3.4)
z
l
P o=(x o,y o,z o)
w0
tu
y
x
P=(x ,y ,z )
x
u =(a ,b,c)
Luego,
x = x0 + ta
y = y0 + tb (3.5)
z = z0 + tc ,
z
x =(x ,y ,z )
l
P 0 =(1,-2,5)
w0
u =(-2,4,1)
y
x
~x = w
~ 0 + t~u
(x, y, z) = (1, −2, 5) + t(−2, 4, 1) .
De donde
x = 1 − 2t
y = −2 + 4t (3.6)
z = 5 + t,
z
x
P= (x , y , z )
P 1= (-1, 1, 3) x
tu u
P 0 = (2, -2, 1)
x y
l P0
x
Un vector paralelo a l es
−→
~u = P0 P1
= (−1 − 2, 1 − (−2), 3 − 1)
= (−3, 3, 2) .
Entonces
P~ = P~0 + t~u
(x, y, z) = (2, −2, 1) + t(−3, 3, 2)
(x, y, z) = (2 − 3t, −2 + 3t, 1 + 2t) .
x = 2 − 3t
y = −2 + 3t
z = 1 + 2t .
Y la forma simétrica es
x−2 y+2 z−1
= = .
−3 3 2
160 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
n =(a ,b,c)
P = (x ,y ,z ) x
P 0 = (x 0 ,y 0 ,z 0 )
y
Ejemplo 137. Encontrar la ecuación del plano que pasa por el punto P0 =
(2, −2, 4) y es perpendicular al vector ~n = (1, 3, 2).
Solución. Observe una aproximación al plano en la figura 3.40
−→
Sea P = (x, y, z) un punto cualquiera perteneciente al plano, entonces P0 P =
(x − 2, y + 2, z − 4), luego
−→
~n · P0 P = 0
Vectores en Rn 161
z
n =(1,3,2)
P 0 = (2,-2,4)
P= (x ,y ,z ) y
(1, 3, 2) · (x − 2, y + 2, z − 4) = 0
1(x − 2) + 3(y + 2) + 2(z − 4) = 0
x + 3y + 2z − 4 = 0 .
Ejercicio 173. Determinar la ecuación del plano que pasa por el punto P0 =
(1, 4, 2) y es perpendicular al vector ~n = (1, 2, 3).
Respuesta. x + 2y + 3z = 15.
Ejemplo 138. Encontrar la ecuación del plano que pasa por los puntos P1 =
(3, −1, 1), P2 = (0, 5, 1) y P3 = (−1, 1, 4).
z
P 3=(-1,1,4)
P= (x ,y ,z )
P 2= (0 ,5,1)
n
y
P 1=(3,-1,1)
x
que es equivalente a 2x + y + 2z = 7.
Ejercicio 174. Encontrar la ecuación del plano que pasa por los puntos P1 =
(3, 1, −1), P2 = (0, 3, 1) y P3 = (0, −3, 2). Graficar el plano.
Respuesta. 14x + 3y + 18z = 27.
Espacios Vectoriales
1. ~u + ~v ∈ Rn
2. ~u + ~v = ~v + ~u
3. (~u + ~v ) + w
~ = ~u + (~v + w)
~
6. c~u ∈ Rn
Prueba de 1.
1 ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
ui + vi ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, ~u + ~v ∈ Rn 2 a
.
por
4
Ejemplo 139. Sean ~u = (4, −3, 5) y ~v = (−5, 2, −1) dos vectores en R3 . Verifi-
quemos el teorema
Note que, de acuerdo a la definición 45, la suma de vectores fue definida para
sumar siempre dos vectores del mismo tamaño y que como resultado siempre
obtenemos un vector de ese mismo tamaño. Por ejemplo, al sumar dos vectores
en R2 , obtenemos un vector en R2 ; similar para R3 ; y ası́ sucesivamente. Es decir,
nosotros no sabemos sumar vectores de diferente tamaño, es algo que no hemos
definido. Por ejemplo, no podemos sumar un vector que pertenezca a R2 con uno
que pertenezca a R3 .
Prueba de 2.
Espacios vectoriales 165
1
~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (v1 + u1 , v2 + u2 , . . . , vn + un ), conmutatividad en R
5
= (v1 , v2 , . . . , vn ) + (u1 , u2 , . . . , un ), suma de vectores
6
= ~v + ~u, 1
por
.
2 a
.
Luego, ~u + ~v = ~v + ~u por
6
Ejemplo 140. Suponga que ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son dos vectores cuales-
quiera en R2 . Verifiquemos el teorema
~u + ~v = (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u .
Ejercicio 177. Repita el anterior ejemplo, pero con números en los dos vectores.
Prueba de 3.
u1 v1 w1
u2 v2 w2
~ = . ∈ Rn ,
1
Sean ~u = . , ~v = . y w hipótesis
.. .. ..
un vn w
n
u1 v1 w1
u2 v2 w2
2
(~u + ~v ) + w
~ = . + . + . , 1
por
.. .. ..
un vn wn
166 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
u 1 + v1 w1
u2 + v2 w2
3
= . + . , suma de vectores.
.. ..
u + vn wn
n
(u1 + v1 ) + w1
(u2 + v2 ) + w2
4
= . , suma de vectores
..
(u + vn ) + wn
n
u1 + (v1 + w1 )
u2 + (v2 + w2 )
5
= . , asociatividad en R
..
u + (v + wn )
n n
u1 v1 + w1
u2 v2 + w2
6
= . + . , suma de vectores
.. ..
u v +w
n n n
u1 v1 w1
u2 v2 w2
7
= . + . + . , suma de vectores
.. .. ..
un vn wn
8
= ~u + (~v + w),
~ 1
por
.
Luego (~u + ~v ) + w 2 a
.
~ por
~ = ~u + (~v + w), 8
= (u1 , u2 , u3 ) + (v1 , v2 , v3 ) + (w1 , w2 , w3 )
= ~u + (~v + w)
~ .
Luego, en R3 , hemos verificado la parte 3 del teorema 42.
Ejercicio 179. Repita el anterior ejemplo, pero con números para los vectores.
Ejercicio 180. Pruebe que para R2 , la parte 3 del teorema 42 se cumple.
Ejemplo 143. Sea ~u = (u1 , u2 , u3 ) ∈ R3 , entonces su inverso es −~u = (−u1 , −u2 , −u3 ).
Veamos:
Ejercicio 183. Repita el anterior ejemplo, pero con números para ~u.
Prueba de 6.
1 Sean ~u = (u1 , u2 , . . . , un ) ∈ Rn y c un escalar,
hipótesis
2
c~u = c(u1 , u2 , . . . , un ), 1
por
3
= (cu1 , cu2 , . . . , cun ), escalar por un vector
4
cui ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, c~u ∈ Rn por
2 a
.
4
Prueba de 7.
Espacios vectoriales 169
1
~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn y
hipótesis
c un escalar,
2
c(~u + ~v ) = c[(u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn )], 1
por
3
= c(u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (c(u1 + v1 ), c(u2 + v2 ), . . . , c(un + vn )), escalar por un vector
5
= (cu1 + cv1 , cu2 + cv2 , . . . , cun + cvn ), distributividad en R
6
= (cu1 , cu2 , . . . , cun ) + (cv1 , cv2 , . . . , cvn ), suma de vectores
7
= c(u1 , u2 , . . . , un ) + c(v1 , v2 , . . . , vn ), escalar por un vector
8
= c~u + c~v , 1
por
.
2 a
Luego c(~u + ~v ) = c~u + c~v , por
8
1. ~u ⊕ ~v ∈ V
2. ~u ⊕ ~v = ~v ⊕ ~u
3. (~u ⊕ ~v ) ⊕ w
~ = ~u ⊕ (~v ⊕ w)
~
4. ∃~0 ∈ V tal que, ∀~u ∈ V , ~u ⊕ ~0 = ~u
5. ∀~u ∈ V , ∃ −~u ∈ V tal que ~u ⊕ (−~u) = ~0
6. c ⊙ ~u ∈ V
7. c ⊙ (~u ⊕ ~v ) = c ⊙ ~u ⊕ c ⊙ ~v
8. (c + d) ⊙ ~u = c ⊙ ~u ⊕ d ⊙ ~u
9. c ⊙ (d ⊙ ~u) = (cd) ⊙ ~u = d ⊙ (c ⊙ ~u)
10. 1 ⊙ ~u = ~u.
1. ¿~u ⊕ ~v pertenece a W ?
~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 ) + (0, v1 ) , por hipótesis
= (0 + 0, u1 + v1 ) , por suma de vectores
= (0, u1 + v1 ) , propiedad en R.
Como el primer elemento es un cero y u1 +v1 ∈ R, se concluye que el vector
~u + ~v ∈ W .
Espacios vectoriales 171
2. ¿~u ⊕ ~v = ~v ⊕ ~u?
~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 + v1 ) , por propiedad 1
= (0 + 0, v1 + u1 ) , propiedades en R
= (0, v1 ) + (0, u1 ) , suma de vectores
= ~v + ~u , por hipótesis
= ~v ⊕ ~u , por hipótesis.
3. ¿~u ⊕ (~v ⊕ w)
~ = (~u ⊕ ~v ) ⊕ w?
~
~u ⊕ (~v ⊕ w)
~ = ~u + (~v + w),
~ por hipótesis
= (0, u1 ) + (0, v1 ) + (0, w1 ) , por hipótesis
= (0, u1 ) + (0, v1 + w1 ), suma de vectores
= 0, u1 + (v1 + w1 ) , suma de vectores
= 0, (u1 + v1 ) + w1 , asociatividad en R
= (0, u1 + v1 ) + (0, w1 ), suma de vectores
= (0, u1 ) + (0, v1 ) + (0, w1 ), suma de vectores
= (~u + ~v ) + w
~, por hipótesis
= (~u ⊕ ~v ) ⊕ w
~, por hipótesis.
~u ⊕ ~0 = ~u + ~0 , por hipótesis
= (0, u1 ) + (0, 0) , por hipótesis
= (0 + 0, u1 + 0) , suma de vectores
= (0, u1 ) , suma de reales
= ~u , por hipótesis.
6. ¿c ⊙ ~u ∈ W ?
7. ¿c ⊙ (~u ⊕ ~v ) = c ⊙ ~u ⊕ c ⊙ ~v ?
8. ¿(c + d) ⊙ ~u = c ⊙ ~u ⊕ d ⊙ ~u?
1. ¿Pertenece ~u ⊕ ~v a W ?
No, porque ~u ⊕ ~v = ~u + ~v
174 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
= (1, u1 ) + (1, v1 )
= (1 + 1, u1 + v1 )
= (2, u1 + v1 ) ∈
/ W.
c ⊙ ~u = (cu1 , u2 ) ,
1. ~u ⊕ ~v = ~u + ~v
= (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 ) ∈ R2 .
2. ~u ⊕ ~v = ~u + ~v
= (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u
= ~v ⊕ ~u .
3. ~u ⊕ (~v ⊕ w) = ~u + (~v + w)
~
= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )
= (u1 , u2 ) + (v1 + w1 , v2 + w2 )
= u1 + (v1 + w1 ), u2 + (v2 + w2 )
= (u1 + v1 ) + w1 , (u2 + v2 ) + w2
= (u1 + v1 , u2 + v2 ) + (w1 , w2 )
= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )
= (~u + ~v ) + w
~
= (~u ⊕ ~v ) ⊕ w
~.
Espacios vectoriales 175
c ⊙ ~u ⊕ d ⊙ ~u = c ⊙ (u1 , u2 ) + d ⊙ (u1 , u2 )
= (cu1 , u2 ) + (du1 , u2 )
= (cu1 + du1 , 2u2 ) . (4.2)
Como (4.1) 6= (4.2), entonces la propiedad 8 no se cumple. Luego (R2 , ⊕, ⊙) no
es un espacio vectorial por la forma como está definida la operación ⊙.
176 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejercicio 190. Probar que la terna (V, ⊕, ⊙), donde V es el conjunto formado
por las matrices reales de dos por dos, ⊕ es la suma normal de matrices y ⊙ es
la multiplicación de un escalar real por una matriz, es un espacio vectorial; es
decir, probar que (M2×2 , +, ·) es un espacio vectorial.
Ayuda. " # " # " #
a1 a2 b1 b2 c1 c2
Defina A = ,B= ,C= ∈ M2×2 , y d, e ∈ R.
a3 a4 b3 b4 c3 c4
Ejemplo 149 (Espacio vectorial). Sea P2 el conjunto formado por todos los
polinomios de grado menor o igual a dos, ⊕ es la operación suma normal de
polinomios y ⊙ es la operación multiplicación de un escalar real por un polinomio.
¿Es (P2 , ⊕, ⊙) un espacio vectorial?
Solución. Sean p(t) = a2 t2 +a1 t+a0 , q(t) = b2 t2 +b1 t+b0 , r(t) = c2 t2 +c1 t+c0 ∈
P2 y d, e ∈ R.
= a2 t2 + a1 t + a0
= p(t) .
6. d ⊙ p(t) = d ⊙ (a2 t2 + a1 t + a0 )
= da2 t2 + da1 t + da0 ∈ P2 .
7. d ⊙ p(t) ⊕ q(t) = d ⊙ (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )
= d ⊙ (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )
= d(a2 + b2 )t2 + d(a1 + b1 )t + d(a0 + b0 )
= da2 t2 + db2 t2 + da1 t + db1 t + da0 + db0
= (da2 t2 + da1 t + da0 ) + (db2 t2 + db1 t + db0 )
= d(a2 t2 + a1 t + a0 ) + d(b2 t2 + b1 t + b0 )
= d ⊙ p(t) ⊕ d ⊙ q(t) .
8. (d + e) ⊙ p(t) = (d + e) ⊙ (a2 t2 + a1 t + a0 )
= (d + e)a2 t2 + (d + e)a1 t + (d + e)a0
= da2 t2 + ea2 t2 + da1 t + ea1 t + da0 + ea0
= d(a2 t2 + a1 t + a0 ) + e(a2 t2 + a1 t + a0 )
= d ⊙ p(t) ⊕ e ⊙ p(t) .
9 c ⊙ (d ⊙ p(t)) = c ⊙ d ⊙ (a2 t2 + a1 t + a0 )
= c ⊙ (da2 t2 + da1 t + da0 )
= cda2 t2 + cda1 t + cda0
= cd(a2 t2 + a1 t + a0 )
= cd ⊙ p(t) .
c ⊙ (d ⊙ p(t)) = d ⊙ (c ⊙ p(t)) se prueba en forma similar.
Ejercicio 191. Probar que P1 , polinomios de grado menor o igual a uno, bajo la
suma usual de polinomios y la multiplicación usual por un escalar, es un espacio
vectorial.
Ejemplo 151 (Subespacio vectorial). Todo espacio vectorial (V, ⊕, ⊙) tiene por
lo menos dos subespacios: el mismo V y el conjunto {~0}, donde ~0 es el elemento
nulo de V .
1. ~u ⊕ ~v ∈ W
2. c ⊙ ~u ∈ W .
1. ¿~u ⊕ ~v pertenece a W ?
2. ¿c ⊙ ~u pertenece a W ?
Ejemplo 153 (Subespacio vectorial). Al principio del curso conocimos las ma-
trices de tamaño m × n y sus propiedades, pues bien, se puede probar que Mm×n
con las operaciones ⊕ = +, suma de matrices, y ⊙ = ·, multiplicación de un es-
calar por una matriz, conforman un espacio vectorial (se reta al estudiante a
hacerlo).
Ahora, dado
a1 0
S = 0 a2 / a1 , a2 , a3 , ∈ R ,
a 0
3
a1 0 b1 0
~ = 0 a2 y B
1. Sean A ~ = 0 b2 con a1 , a2 , a3 , b1 , b2 , b3 ∈ R.
a3 0 b3 0
a1 0 b1 0
~+B
A ~ = 0 a2 + 0 b2
a3 0 b3 0
a 1 + b1 0
= 0 a 2 + b 2
.
a 3 + b3 0
~ +B
como a1 + b1 , a2 + b2 y a3 + b3 ∈ R y las otras entradas de A ~ son cero,
~ ~
entonces A + B ∈ S.
1
a1 0
2. Sea d ∈ R y A ~ = 0 a2 , entonces
a3 0
a 0
1
~
dA = d 0 a2
a3 0
da1 0
= 0 da 2
.
da3 0
1 y
,
Luego, de
2 se concluye que S sı́ es un subespacio de M3×2 .
2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces
p = c(a2 t2 + a1 t + a0 )
c~
= c a2 t 2 + c a1 t + c a0 .
1 y
,
Luego, de
2 se concluye que P2 sı́ es un subespacio de Pn .
2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces
p = c(a2 t2 + a1 t + a0 )
c~
= c a2 t 2 + c a1 t + c a0 .
Aunque a2 + b2 , a1 + b1 y a0 + b0 ∈ R, si c = 0, entonces c~
p∈/ V . Luego, se
concluye que V no es un subespacio de Pn .
182 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
u =2u 1 - u 2
u1
u2
Ejemplo 157 (Combinación lineal). ¿En (R3 , +, ·), es el vector ~u = (10, 2, −2)
CL de los vectores ~u1 = (3, 2, 5), ~u2 = (5, 0, 1) y ~u3 = (0, −2, 4)?
Solución. El vector ~u es CL de los vectores ~u1 , ~u2 y ~u3 si existen c1 , c2 , c3
escalares tales que
c1 ~u1 + c2 ~u2 + c3 ~u3 = ~u . (4.3)
Al sustituir los valores de ~u1 , ~u2 , ~u3 y ~u en (4.3) obtenemos
c1 (3, 2, 5) + c2 (5, 0, 1) + c3 (0, −2, 4) = (10, 2, −2)
(3c1 , 2c1 , 5c1 ) + (5c2 , 0c2 , 1c2 ) + (0c3 , −2c3 , 4c3 ) = (10, 2, −2)
(3c1 + 5c2 + 0c3 , 2c1 + 0c2 − 2c3 , 5c1 + c2 + 4c3 ) = (10, 2, −2) .
De donde se deriva el sistema lineal
Solución.
~ 1 + c2 A
c1 A ~ 2 + c3 A
~3 = A
~
" # " # " # " #
2 0 0 10 0 0 2 5
c1 + c2 + c3 =
0 0 0 0 2 0 −4 0
" # " #
2c1 + 0c2 + 0c3 0c1 + 10c2 + 0c3 2 5
= .
0c1 + 0c2 + 2c3 0c1 + 0c2 + 0c3 −4 0
~
~1 + 1 A ~ ~ ~ ~ ~ ~
Ası́, 1A 2 2 − 2A3 = A, entonces A sı́ es CL de A1 , A2 , y A3 .
Solución.
c1 ~
p1 + c2 ~
p2 = p~
c1 (2t + t + 3) + c2 (3t + 5) = 4t2 − 10t + 16
2
De donde se obtiene
2c1 t2 = 4t2
2c1 + 0c2 = 4
c1 t + 3c2 t = −10t ⇒ c1 + 3c2 = −10
3c1 + 5c2 = 16 3c + 5c = 16 .
1 2
y se lee generado de S.
= c1 (1, 0) + c2 (0, 1)
= (c1 , c2 ) ,
es decir, ı̂ y ̂ generan a cualquier vector en R2 .
" # " #
~= 1 0 ~ = 0 0
Ejemplo 161 (Generado de S). Si A yB , entonces
0 0 0 1
gen {A,~ B}
~ = c1 A~ + c2 B~
" # " #
1 0 0 0
= c1 + c2
0 0 0 1
" #
c1 0
= ,
0 c2
~ B}
es decir, {A, ~ genera el conjunto de matrices diagonales de dimensión dos por
dos.
Ejercicio 193. Con qué matrices generarı́amos el conjunto de matrices escalares
de dimensión dos por dos?
" #
Respuesta. 1 0
0 1
Ejemplo 162 (Generado de S). Determinar el espacio generado por los vectores
p~1 y p~2 ∈ P2 , donde p~1 = 2t2 + 5 y ~
p2 = t + 8.
Solución. Sean a y b ∈ R, entonces
p1 , p~2 }) = a~
gen ({~ p1 + b~
p2
= a(2t2 + 5) + b(t + 8)
= 2at2 + bt + (5a + 8b) . (4.4)
Concluimos que los vectores generados por ~p1 y ~p2 son de la forma expresada en
(4.4).
Teorema 44. Dado el conjunto S = {~u1 , ~u2 , . . . , ~un } en un espacio vectorial
(V, ⊕, ⊙), entonces gen(S) es subespacio de V .
Definición 60 (Conjunto generador). Un espacio vectorial (V, ⊕, ⊙) es generado
por S = {~u1 , ~u2 , . . . , ~un } ⊆ V si cada vector en V puede ser expresado como CL
de los vectores en S, es decir, si gen(S) = V .
186 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejemplo 163 (Conjunto generador). En el espacio vectorial (R2 , +, ·), ¿los vec-
tores ~u1 = (1, 1) y ~u2 = (−1, 1) generan a R2 ?
Solución. En general, un vector en R2 es de la forma ~u = (a, b) con a, b ∈ R.
Expresemos el vector ~u en términos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en términos de a y b, diremos
que ~u1 y ~u2 sı́ generan a R2 . Veamos.
c1 − c2 = a
c1 + c2 = b .
a+b b−a
c1 = y c2 = .
2 2
Como no existen restricciones para c1 ni para c2 , entonces ~u1 y ~u2 sı́ generan a
R2 .
Ejercicio 194. Mostrar que los vectores ~u1 = (−1, 1) y ~u2 = (−1, −1) generan
a R2
Respuesta.
b−a a+b
c1 = y c2 = − .
2 2
Ejemplo 164 (Espacio generado). ¿Los vectores ~u1 = (1, 1, 1), ~u2 = (1, −1, 1)
y ~u3 = (1, 1, −1) generan el espacio vectorial (R3 , +, ·)?
Solución.
2. Si ~v puede ser expresado como combinación lineal de S = {~u1 , ~u2 , ~u3 } sin
alguna restricción, entonces se dice que S genera a R3 .
Espacios vectoriales 187
3. Sea
4. De donde se obtiene
c1 + c2 + c3 = a
c1 − c2 + c3 = b
c1 + c2 − c3 = c ,
c1 − 2c2 = a
188 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
c1 − 2c2 = b .
3. Entonces c1 = a, c2 = b, c3 = c y d = 0.
1. Un vector en P2 es de la forma
at2 + bt + c . (4.5)
c1 t2 + c2 t + c3 = at2 + bt + c .
3. Luego, c1 = a, c2 = b y c3 = c.
es decir,
c1 + 2c2 + c3 = a
c1 − c2 + 0c3 = b
c1 + 2c2 + 2c3 = c .
.
1 0 0 .. 2a+2b−c
3
.
f1 ← f1 − 2f2 0 1 0 ..
2a−b−c .
. 3
0 0 1 .. c−a
Entonces
(2a + 2b − c)
c1 =
3
(2a − b − c)
c2 =
3
c3 = c − a .
Como no existen restricciones para c1 , c2 o para c3 , entonces S sı́ genera a P2 .
Independencia lineal
Definición 61 (Conjunto linealmente independiente y conjunto linealmente de-
pendiente). Dado un espacio vectorial (V, ⊕, ⊙), se dice que un conjunto de vec-
tores S = {~v1 , ~v2 . . . , ~vk } ⊆ V es linealmente independiente (LI) si la expresión
c1~v1 + c2~v2 + · · · + ck ~vk
es igual al vector nulo únicamente cuando c1 = c2 = · · · = ck = 0.
Si algún ci es diferente de cero, entonces diremos que S es linealmente de-
pendiente (LD).
Ejemplo 169 (Vectores LI). En el espacio vectorial (R2 , +, ·), los vectores ~u1 =
(1, 1) y ~u2 = (−1, 1) son LI pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (−1, 1) = (0, 0)
(c1 − c2 , c1 + c2 ) = (0, 0) .
De donde se obtiene el sistema lineal
c1 − c2 = 0
c1 + c2 = 0 .
Resolviendo por Gauss–Jordan
. .
1 −1 .. 0 1 −1 .. 0
..
f2 ← f2 −f1 ..
1 1 . 0 0 2 . 0
Espacios vectoriales 191
.. ..
1 −1 . 0 1 0 . 0
f2 ← f2 /2 ..
f1 ← f1 +f2 ..
.
0 1 . 0 0 1 . 0
De donde se obtiene que c1 = c2 = 0. Entonces ~u1 y ~u2 sı́ son LI. Observe la
figura 4.2.
u2 u1
Ejemplo 170 (Vectores LD). En el espacio vectorial (R2 , +, ·), los vectores
~u1 = (1, 1) y ~u2 = (−1, −1) son LD pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (−1, −1) = (0, 0)
(c1 − c2 , c1 − c2 ) = (0, 0) .
De donde se obtiene el sistema lineal
c1 − c2 = 0
c1 − c2 = 0 .
Resolviendo por Gauss–Jordan
. .
1 −1 .. 0 1 −1 .. 0
.
f2 ← f2 −f1 .
.
1 −1 .. 0 0 0 .. 0
De donde se obtiene que c1 = c2 . Si c2 = r ∈ R, entonces c1 = r. Ası́, c1 y c2
pueden tomar infinitos valores reales. Luego, ~u1 y ~u2 son LD. Ellos son mostrados
en la figura 4.3; observe que ~u1 = −~u2 .
Pregunta. ¿Generan ~u1 y ~u2 a R2 ?
Ejemplo 171 (Vectores LI). ¿En (R3 , +, ·), los vectores ~u1 = (2, 1, 0), ~u2 =
(0, 1, 2) y ~u3 = (0, 0, 1) son LI o LD?
Solución.
192 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
u1
u2
Entonces
c1 − c2 + c3 = 0
Espacios vectoriales 193
2c1 + c2 = 0
3c1 + c3 = 0 .
Por Gauss–Jordan
. .
1 −1 1 .. 0 1 −1 1 .. 0
.. f2 ← f2 −2f1 .
3 −2 .. 0
2 1 0 . 0 f3 ← f3 −3f1 0
.. .
3 0 1 . 0 0 3 −2 .. 0
. ..
1 −1 1 .. 0 1 −1 1 . 0
. .
3 −2 .. 0 f2 ← 31 f2 0 1 −2/3 .. 0
f3 ← f3 − f2 0
. ..
0 0 0 .. 0 0 0 0 . 0
.
1 0 1/3 .. 0
.
1 −2/3 .. 0 .
f1 ← f1 + f2 0
..
0 0 0 . 0
son LI o LD?
Solución.
~ 1 + c2 A
c1 A ~ 2 = ~0
" # " # " #
2 0 0 0 0 0
c1 + c2 =
0 0 1 1 0 0
" # " #
2c1 0 0 0
= .
c2 c2 0 0
c2 = 0 .
Entonces
c1 + c3 = 0
c1 + c2 = 0
c2 + c3 = 0 .
Por Gauss–Jordan
. .
1 0 1 .. 0 1 0 1 .. 0
. .
1 1 0 .. 0f2 ← f2 − f1 0 1 −1 .. 0
. .
0 1 1 .. 0 0 1 1 .. 0
. ..
1 0 1 .. 0 1 0 1 . 0
. .
f3 ← f3 − f2 0 1 −1 .. 0f3 ← 12 f3 0 1 −1 .. 0
. .
0 0 2 .. 0 0 0 1 .. 0
.
1 0 0 .. 0
f1 ← f1 −f3 ..
.
f2 ← f2 +f3 0 1 0 .. 0
0 0 1 .. 0
p1 (t) = 2t2 + 1 ,
p2 (t) = −t − 2 ,
Espacios vectoriales 195
p3 (t) = 2t2 − t − 1 .
Prueba.
’=⇒’
Puesto que S es LD, entonces, en
existe al menos un cj 6= 0.
Dividiendo por cj se obtiene
cj−1 cj+1
c1
cj ~
v1 + c2
cj ~
v2 + ··· + cj ~vj−1 + ~vj + cj ~vj+1 + ··· + cn
cj ~
vn = ~0 .
Ası́,
ci1
cj ~vi1 + ci2
cj ~vi2 + ··· + cik
cj ~vik − ~vj + 0~vi(k+2) + · · · + 0~vin = ~0 .
’⇐=’
Puesto que existe un vector ~vj ∈ S, j ∈ [1, . . . , n], que es CL de los que le
preceden, entonces
~vj = c1~v1 + c2~v2 + · · · + cj−1~vj−1 .
Y agregando los vectores restantes con coeficiente cero al lado derecho, tenemos
~0 = c1~v1 + c2~v2 + · · · + cj−1~vj−1 − ~vj + 0~vj+1 + · · · + 0~vj+1 .
Ejemplo 176 (Vectores LD). En el espacio vectorial (R2 , +, ·), los vectores
ı̂ = (1, 0), ̂ = (0, 1) y ~u = (3, 4) son LD pues ~u se puede expresar como CL de ı̂
y ̂. Verifiquemos esto.
c1 ı̂ + c2 ̂ = ~u
c1 (1, 0) + c2 (0, 1) = (3, 4)
(c1 , c2 ) = (3, 4) .
Prueba.
Puesto que S genera a V , entonces todo vector ~v ∈ V puede ser expresado como
una CL de los vectores en S.
u 3=3u 1+4u 2
u2
u1
Ahora, ya que existe un ~vj que es CL de los vectores que le preceden, entonces
Ejemplo 177. En el ejemplo 176, se puede verificar que los tres vectores generan
a R2 . Ahora, como ~u es CL de ı̂ y ̂, entonces estos dos vectores también generan
a R2 . Es tarea verificarlo.
Bases y dimensión
Definición 62 (Base). En un espacio vectorial (V, ⊕, ⊙), un conjunto de vectores
S = {~v1 , ~v2 , . . . , ~vn } es base para V si S es LI y genera a V .
Ejemplo 178 (Base para R2 ). Considerando los ejemplos 163 y 169, los vectores
~u1 = (1, 1) y ~u2 = (−1, 1) son una base para (R2 , +, ·) pues son LI y generan a
R2 .
Ejemplo 179 (Base para R3 ). En el espacio vectorial (R3 , +, ·), los vectores
ı̂ = (1, 0, 0), ̂ = (0, 1, 0) y k̂ = (0, 0, 1) son una base para R3 pues son LI y
generan a R3 . Verificarlo.
198 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejemplo 180 (Base para R3 ). Mostrar que S = {~v1 , ~v2 , ~v3 } con ~v1 = (1, 1, 1),
~v2 = (1, −1, 1) y ~v3 = (1, 1, −1) es una base para R3 .
Solución.
1. Primero veamos que S es LI.
c1 + c2 + c3 = 0
c1 − c2 + c3 = 0
c1 + c2 − c3 = 0 .
c1 + c2 + c3 = a
c1 − c2 + c3 = b
c1 + c2 − c3 = c .
~ ~ ~ ~
Ejemplo
" 181 # (No base
" para# matrices
" simétricas).
# " ¿Es #S = {A1 , A2 , A3 , A4 } con
~1 = 1 0 , A
A ~2 = 0 1 , A ~3 = 0 0 y A ~ 4 = 0 0 una base para el espacio
0 0 0 0 1 0 0 1
vectorial de matrices simétricas de dimensión 2 × 2?
Solución.
1. Veamos si S es LI.
~ 1 + c2 A
(a) c1 A ~ 2 + c3 A
~ 3 + c4 A
~ 4 = ~0
" # " # " # " # " #
1 0 0 1 0 0 0 0 0 0
c1 + c2 + c3 + c4 = .
0 0 0 0 1 0 0 1 0 0
(b) 1c1 + 0c2 + 0c3 + 0c4 = 0
c1 =0
0c1 + 1c2 + 0c3 + 0c4 = 0 c2 =0
⇒
0c1 + 0c2 + 1c3 + 0c4 = 0
c3
=0
0c1 + 0c2 + 0c3 + 1c4 = 0 . c4 =0
Prueba.
Suponga que ~v puede expresarse como CL de los vectores en S de al menos dos
formas diferentes, es decir,
c1~v1 + c2~v2 + · · · + cn~vn = ~v ,
d1~v1 + d2~v2 + · · · + dn~vn = ~v ,
donde al menos un ci es diferente del correspondiente di .
Al restarle a la primera CL la segunda tenemos
(c1 − d1 )~v1 + (c2 − d2 )~v2 + · · · + (cn − dn )~vn = ~0 .
Como S es LI, entonces c1 − d1 = c2 − d2 = · · · = cn − dn = 0. De donde
obtenemos que c1 = d1 , c2 = d2 , . . . , cn = dn ; lo que contradice el supuesto de
que hay al menos dos formas diferentes de escribir ~v como CL de los vectores
en S. En conclusión, existe una y solo una forma de escribir ~v como CL de los
vectores en S.
Teorema 48. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } es una
base para el espacio vectorial V , y T = {w
~ 1, w ~ r } ⊆ V es LI, entonces
~ 2, . . . , w
r 6 n.
Ejemplo 185. Dada la base canónica S = {~e1 , ~e2 , ~e3 , ~e4 } del espacio vectorial
(R4 , +, ·), se puede verificar que el conjunto de vectores T = {(2, 0, 0, 0), (0, 0, 5, 0),
(0, 0, 0, 3)} es LI. Por lo tanto se verifica el teorema, pues tres es menor que cua-
tro.
Prueba.
1. Puesto que S es base para V , entonces S es LI, ası́, por el teorema 48,
n 6 m.
2. Puesto que T es base para V , entonces T es LI, ası́, por el teorema 48,
m 6 n.
Luego, n = m.
Ejemplo 186. En el ejemplo 182 vimos que dos bases para R2 son S = {(1, 0), (0, 1)}
y T = {(1, 1), (−1, 1)}. Se verifica entonces el teorema, pues 2 = 2.
Ejemplo 187. De acuerdo a lo visto en los ejemplos 186, 179 y 185, la dimensión
de R2 es dos, la de R3 es tres, y la de R4 es cuatro, respectivamente. En general,
la dimensión de Rn es n.
1. Si tenemos un conjunto de vectores S = {~u1 , ~u2 , ~u3 , ~u4 , ~u5 } que es LI, en-
tonces podemos asegurar que S es base para R5 .
En esta sección mostraremos como construir, a partir de una base dada para un
espacio vectorial Rn , una base para dicho espacio vectorial, de tal forma que cada
elemento de la nueva base es ortogonal a todos los otros y además es unitario.
Ejemplo 191. En el espacio vectorial (R3 , +, ·), los vectores ~u1 = (1, 1, 1), ~u2 =
(2, 4, −6) y ~u3 = (−5, 4, 1) son mutuamente ortogonales, pues ~u1 · ~u2 = ~u1 · ~u3 =
~u2 · ~u3 = 0. Entonces el conjunto de vectores S = {~u1 , ~u2 , ~u3 } es ortogonal.
Ejercicio 200. Dados los vectores ~u1 = (1, 1, −1) y ~u2 = (2, 1, 3), encuentre el
conjunto de vectores que sean ortogonales a ellos.
Ayuda. Construya un tercer vector como u~3 = (x, y, z) y plantee dos ecuaciones
con tres incógnitas. Obtendrá infinitas soluciones. Ese es el conjunto.
3
1 2 −2
Ejemplo 192. En vectorial R, +, · , los vectores ~u1 = 3 , 3 , 3 ,
el espacio
4 2
~u2 = 2√ 5
, 0, 2√ 5
y ~u3 = 3−2 √ , √ 5 4
, √
5 3 5 3 5
son mutuamente ortogonales, pues
~u1 · ~u2 = ~u1 · ~u3 = ~u2 · ~u3 = 0; y k ~u1 k=k ~u2 k=k ~u3 k= 1. Entonces el conjunto
de vectores S = {~u1 , ~u2 , ~u3 } es ortonormal.
Ejercicio 201. Dados los vectores ~u1 = √13 , √13 , √ −1
3
y ~
u 2 = √2 , √1 , √3
14 14 14
,
encuentre el conjunto de vectores que sean ortonormales a ellos.
Ejemplo 193. En el espacio vectorial (Rn , +, ·), su base canónica {~e1 , ~e2 , . . . , ~en },
es un conjunto ortonormal de vectores, pues ~ei ·~ej = 0, si i 6= j; y k ~ei k= 1, para
i ∈ [1, . . . , n].
Teorema 51. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es orto-
gonal, entonces S es LI.
0 + 0 + · · · + 0 = ||u~j ||2 .
u~j 6= ~0 .
En conclusión, S es LI.
Ejercicio 202.
entonces
ci = ~v · ~ui .
Prueba.
1 c1 ~u1 + c2 ~u2 + · · · + cn ~un = ~v ,
hipótesis
2
(c1 ~u1 + c2 ~u2 + · · · + cn ~un ) · ~ui = ~v · ~ui , 1
producto escalar en
3
c1 (~u1 · ~ui ) + c2 (~u2 · ~ui ) + · · · +
ci (~ui · ~ui ) + · · · + cn (~un · ~ui ) = ~v · ~ui , 2
resolviendo
4
c1 × 0 + c2 × 0 + · · · +
ci k ~ui k2 + · · · + cn × 0 = ~v · ~ui , por S ser ortogonal
5
ci = ~v · ~ui , por k ~ui k= 1.
Espacios vectoriales 205
Ejercicio 204. Dados S = {~u1 , ~u2 , . . . , ~un }, una base ortogonal para Rn , y ~v un
vector en Rn . Probar que si
entonces
~v · ~ui
ci = .
k ~ui k2
Ejemplo 195 (Combinación lineal). Sea S = {~u1 , ~u2 , ~u3 } una base ortogonal
para R3 con
! ! !
1 1 1 1 1 1
~u1 = √ , 0, − √ , ~u2 = √ , 1, √ , ~u3 = − √ , 1, − √ .
2 2 2 2 2 2
~v1
w
~1 =
k ~v1 k
~v2
w
~2 =
k ~v2 k
~v3
w
~3 =
k ~v3 k
~v4
w
~4 =
k ~v4 k
..
.
~vn
w
~n = .
k ~vn k
~u1 = (1, 1, 1)
Espacios vectoriales 207
~u2 = (1, 1, 0)
~u3 = (2, 1, 3) .
Para evitar los fraccionarios, multiplicamos ~v2 por tres, entonces ~v2 =
(1, 1, −2). Note que el nuevo ~v2 también es ortogonal a ~v1 . Continuamos
con ~v3 :
! !
~u3 · ~v1 ~u3 · ~v2
~v3 = ~u3 − ~v1 − ~v2
~v1 · ~v1 ~v2 · ~v2
! !
6 3
= (2, 1, 3) − (1, 1, 1) − − (1, 1, −2)
3 6
!
1 1
= ,− ,0 .
2 2
Al multiplicarlo por dos se obtiene ~v3 = (1, −1, 0).
3. Ahora, determinemos la base ortonormal W = {w
~ 1, w ~ 3 } a partir de T .
~ 2, w
!
1 1 1
~1 = √ , √ , √
w
3 3 3
!
1 1 −2
~2 = √ , √ , √
w
6 6 6
!
1 1
~3 = √ , −√ , 0 .
w
2 2
Ası́, W = {w
~ 1, w ~ 3 } es una base ortonormal para R3 construida a partir
~ 2, w
de S.
Ejercicio 205. De los ejercicios propuestos en esta sección, entregue en forma
escrita, a su docente, aquellos que él le indique.
208 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Unidad 5
Transformaciones Lineales
Definición 67. Una transformación lineal (TL) es una función entre dos espacios
vectoriales V y W , T : V → W , tal que
= α(−u1 , u2 )
= αT ((u1 , u2 ))
= αT (~u) .
(-x ,y ) (x ,y )
T (u ) u
Ejercicio 206. Pruebe que T : R2 → R2 definida como T ((x, y)) = (x, −y) es
una TL.
z
(x ,y ,z )
(x ,y ,0 )
x
P1 P2 P3
" #
B1 3 1 2
.
B2 6 2 3
Es decir, para elaborar el producto uno, se requieren 3 unidades del material uno
y 6 unidades del material dos; para elaborar el producto dos, se requiere 1 unidad
212 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
del material uno y 2 unidades del material dos; y para elaborar el producto tres,
se requieren 2 unidades del material uno y 3 unidades del material dos.
Si, por ejemplo, se requiere elaborar 1 unidad del producto uno, 4 unidades del
producto dos y 3 unidades del producto tres, entonces la cantidad de materiales
necesarios será:
b1 = 1 × 3 + 4 × 1 + 3 × 2 = 13 unidades
b2 = 1 × 6 + 4 × 2 + 3 × 3 = 23 unidades.
Y, en general, como
" # p1 " #
3 1 p 2 = b1 .
2
6 2 3 b2
p3
Luego,
p = ~b .
A~
i) T (~u + ~v ) = A(~u + ~v )
= A~u + A~v
= T (~u) + T (~v ) .
" #
cos θ − sin θ
Ejemplo 200. Pruebe que T : R2 → R2 definida como T (~u) = ~u
sin θ cos θ
es una TL.
Solución. Sean α un escalar y ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 . Entonces:
" # " # " #!
i) cos θ − sen θ u1 v1
T (~u + ~v ) = +
sen θ cos θ u2 v2
" # " #!
cos θ − sen θ u 1 + v1
=
sen θ cos θ u 2 + v2
" #
(u1 + v1 ) cos θ − (u2 + v2 ) sen θ
=
(u1 + v1 ) sen θ + (u2 + v2 ) cos θ
" #
u1 cos θ − u2 sen θ + v1 cos θ + v2 sen θ
=
u1 sen θ + u2 cos θ + v1 sen θ + v2 cos θ
" # " #
u1 cos θ − u2 sen θ v1 cos θ − v2 sen θ
= +
u1 sen θ + u2 cos θ v1 sen θ + v2 cos θ
" #" # " #" #
cos θ − sen θ u1 cos θ − sen θ v1
= +
sen θ cos θ u2 sen θ cos θ v2
= T (~u) + T (~v ) .
" # " #!
ii) cos θ − sen θ u1
T (α~u) = α
sen θ cos θ u2
" #" #
cos θ − sen θ αu1
=
sen θ cos θ αu2
" #
(αu1 ) cos θ − (αu2 ) sen θ
=
(αu1 ) sen θ + (αu2 ) cos θ
" #
u1 cos θ − u2 sen θ
=α
u1 sen θ + u2 cos θ
" #" #
cos θ − sen θ u1
=α
sen θ cos θ u2
= αT (~u) .
214 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
T (u )
Ahora,
Ahora,
αT (~u) = αT ((u1 , u2 , u3 ))
= α(u1 , 1)
= (αu1 , α).
1. T (~0) = ~0.
3. T (α1~v1 +α2~v2 +· · ·+αn~vn ) = α1 T (~v1 )+α2 T (~v2 )+· · ·+αn T (~vn ), ∀~v1 , ~v2 , . . . ~vn ∈
V y α1 , α2 , . . . αn escalares.
Prueba de 1.
1 T (~0) = T (~0),
identidad
2 T (~0 + ~0) = T (~0),
por ~0 = ~0 + ~0
3
T (~0) + T (~0) = T (~0), por T ser TL
4
T (~0) + T (~0) − T (~0) = T (~0) − T (~0), sumando a ambos lados −T (~0)
5
T (~0) + ~0 = ~0, por W ser espacio vectorial
5 T (~0) = ~0 por ~0 ser el módulo de + en W .
Luego, de
,
216 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Prueba de 2.
1 T (~u − ~v ) = T (~u + (−1)~v ),
propiedad en R
2
= T (~u) + T ((−1)~v ), por T ser TL
3
= T (~u) + (−1)T (~v ), por T ser TL
4
= T (~u) − T (~v ), propiedad en R.
1 a
,
Luego, por
4 T (~u − ~v ) = T (~u) − T (~v ).
i) Para k = 1
T (α1~v1 ) = α1 T (~v1 ).
ii) Para k = 2
Entonces,
" #! 1 " #! 0
1 0
Definimos entonces T : R2 → π como T 0 y T
=
1.
=
0 1
2 1
" #
x1
De esta forma, ∀~x = , tenemos que
x2
" #! " # " #! " #! " #!
x1 1 0 1 0
T =T x1 + x2 = x1 T + x2 T
x2 0 1 0 1
1 0 x1
= x1 0
+ x2 1 = x2 .
2 1 2x1 + x2
ν(T ) = dim(nu(T )) .
im(T ) = {w
~ ∈W :w
~ = T (~v ) para algún ~v ∈ V } .
ρ(T ) = dim(im(T )) .
Ejemplo
" 204.
#! Determinar
" # núcleo, nulidad, imagen y rango de T : R2 → R2 tal
x x
que T = , ∀~x ∈ R2 .
y 0
Lo que hace esta transformación es proyectar sobre el eje x cualquier vector
en R2 . Observe la figura 5.4.
Transformaciones Lineales 219
(x ,y )
(x ,0 )
es decir, el eje y.
" #
0
Para generar el eje y en R2 , solo necesitamos un vector, por ejemplo, que
1
obviamente es LI. Luego ν(T ) = 1.
La imagen de T es
(" # )
x
im(T ) = :y=0yx∈R ,
y
nu(T )
im(T )
es decir, el eje y.
0
Para generar el eje y en R3 , solo necesitamos un vector, por ejemplo, 1
0
que obviamente es LI. Luego ν(T ) = 1.
La imagen de T es
x
im(T ) = y
: y = 0 y x, z ∈ R ,
z
Para generar
el plano xz en R3 , necesitamos dos vectores, por ejemplo,
1 0
0 y 0 que son LI. Luego ρ(T ) = 2.
0 1
Observe la figura 5.6.
z
im(T )
nu(T )
T : Rn → Rm
~x 7→ T (~x) = A(~x) ,
siendo c y d escalares.
Estas trasnsformaciones lineales desempeñan un papel importante en diversas
áreas de la matemática, fı́sica, biologı́a, economı́a e ingenierı́a, entre otras. Pero
una cuestión de considerable importancia en estas es la determinación de vectores
~x, si los hay, tales que ~x y A~x sean paralelos. Veamos como determinar esos
vectores.
Definición 72 (Valor propio y vector propio). Dada una matriz An×n , decimos
que un número λ es un valor propio de A (o autovalor) si existe un vector ~x,
diferente del vector nulo, tal que
A~x = λ~x .
A x = λx =(2,4)
x =(1/ 2,1)
1
Figura 6.1: vector propio ~x = 2,1 asociado al valor propio λ = 4 de A
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .
fA (λ) = 0
det(A − λI2 ) = 0
(−1 − λ)(−1 − λ) − 4 = 0
1 + λ + λ + λ2 − 4 = 0
λ2 + 2λ − 3 = 0
(λ + 3)(λ − 1) = 0 .
2. Vectores propios
(a) Para λ1 = −3
Reemplazando en (6.1) se tiene
" #" # " #
−1 − (−3) 1 x1 0
= .
4 −1 − (−3) x2 0
Su matriz aumentada es
.
2 1 .. 0
..
4 2 . 0
Su matriz aumentada es
..
−2 1 . 0
..
4 −2 . 0
" #
1
Con s = 1 se obtiene el vector propio .
2
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .
−λ3 + 5λ2 − 2λ − 8 = 0
λ3 − 5λ2 + 2λ + 8 = 0
228 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
(λ + 1)(λ − 2)(λ − 4) = 0 .
(a) Para λ1 = −1
Reemplazando en (6.2) se tiene
3 2 3 x 0
1
1 3 1 x2 = 0 .
2 −2 2 x3 0
Su matriz aumentada es
..
3 2 3 . 0
..
1 3 1 . 0 .
..
2 −2 2 . 0
(b) Para λ2 = 2
0 2 3 x 0
1
1 0
1 x2 = 0
.
2 −2 −1 x3 0
Su matriz aumentada es
..
0 2 3 . 0
..
1 0 1 . 0 .
..
2 −2 −1 . 0
(c) Para λ3 = 4
−2 2 3 x 0
1
1 −2 1 x2 = 0 .
2 −2 −3 x3 0
Su matriz aumentadad es
..
−2 2 3 . 0
..
1 −2 1 . 0 .
..
2 −2 −3 . 0
230 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Prueba. ’=⇒’
1 An×n es no invertible,
hipótesis
2
det(A) = 0, por hipótesis
3
det(A − λIn ) = c0 + c1 λ + · · · + cn λn , desarrollo del polinomio
caracterı́stico de A
4
c0 = 0, 2 y det(A) = c0 en
por
3
5
det(A − λIn ) = c1 λ + c2 λ2 + · · · + cn λn 4 en
3
6
= λ(c1 + c2 λ + · · · + cn λn−1 5
factor común en
7
0 = λ(c1 + c2 λ + · · · + cn λn−1 ) los valores propios de A son
las raı́ces de la ecuación
caracterı́stica de A
8
λ = 0 o c1 + c2 λ + · · · + cn λn−1 =0 7
de
8 λ = 0 es un valor propio de A.
Luego, por
,
Prueba.
1 Sean λ un valor propio de A y ~x, ~y dos
hipótesis
vectores propios de A asociados a λ,
2
A~x = λ~x y A~y = λ~y , 1
por
3
A(~x + ~y ) = A~x + A~y linealidad de la transformación matricial
4
= λ~x + λ~y 2 en
3
5
= λ(~x + ~y), distributividad .
3 a
,
Luego, por
5 ~x + ~y ∈ S
a
6
Sea d ∈ R, entonces d(A~x) = d(λ~x) 2
por
7
A(d~x) = λ(d~x) multiplicación de un escalar por un vector.
b
Luego d~x ∈ S
b S sı́ es un subespacio de Rn .
a y
,
En conclusión, por
Ejemplo 212. Si λ es un valor propio de An×n con vector propio asociado ~x,
probar que λk es un valor propio de Ak , k ∈ N, con vector propio asociado ~x.
Solución.
232 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
1
A~x = λx, hipótesis
2
A2 ~x = A(A~x), pues A2 = AA y asociatividad
3
= A(λ~x), 1
por
4
= λ(A~x), multiplicación de un escalar por un vector
5
= λ(λ~x), 1
por
6
= λ2 ~x, 4 .
razón de
Luego, λ2 es un autovalor de A2 con el vector propio asociado ~x.
7
Sea Ak−1 ~x = λk−1 ~x, hipótesis inductiva
8
Ak ~x = A(Ak−1 ~x), 2
razón de
9
= A(λk−1 ~x), 7
por
10
= λk−1 (A~x), 4
razón de
11
= λk−1 (λ~x), 1
por
12
= λk ~x, 4 .
razón de
Luego, λk es un autovalor de Ak con el vector propio asociado ~x.
A = P −1 BP .
pues A = P −1 BP , donde
" # " #
1 2 −1 −1 1 1
P = yP = .
3 1 1 −1 2
Valores propios y vectores propios 233
1. A es semejante a A
Prueba.
1 Sea I la matriz identidad
2
A = I −1 AI .
Luego, A es semejante a A.
Prueba.
1 A es semejante a B,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
P AP −1 = P (P −1 BP )P −1 , multiplicando por P y P −1
4
(P −1 )−1 AP −1 = IBI, por P = (P −1 )−1 e I = P P −1
5
B = (P −1 )−1 AP −1 4 .
de
5 B es semejante a A.
Luego, por
,
Prueba.
1 A es semejante a B y B es semejante a C,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
∃Q invertible tal que B = Q−1 CQ, por hipótesis
4
A=P −1 (Q−1 CQ)P , 3 en
2
5
A=(P −1 Q−1 )C(QP ), asociatividad
6
A=(QP )−1 C(QP ), propiedad de la inversa.
234 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
6 A es semejante a C.
Luego, de
,
Ejemplo 215. Por lo visto en el ejemplo 213, la matriz del ejemplo 208 es
diagonalizable, pues
A = P −1 DP
" # " #" # " #!
2 1 1 1 1 0 1 2 −1
= .
2 3 −1 2 0 4 3 1 1
Teorema 63. Si todos los valores propios de una matriz An×n son diferentes
entre sı́, entonces A es diagonalizable.
Valores propios y vectores propios 235
Ejemplo 216. La matriz A del ejemplo 210 es diagonalizable, pues sus valores
propios son λ1 = −1, λ2 = 2 y λ3 = 4. Ahora, como A es diagonalizable,
encontrar P tal que P −1 AP = D.
Solución. Tres vectores propios LI, asociados a λ1 = −1, λ2 = 2 y λ3 = 4,
respectivamente, son:
1 2 8
0 , 3 y 5 .
−1 −2 2
De donde se obtiene
16 −20 −14
1
P −1 =
−5 10 −5 .
30
3 0 3
Ahora,
D = P −1 A P
16 −20 −14 2 2 3 1 2 8
1
= −5 10 −5 1 2 1 0 3 5
30
3 0 3 2 −2 1 −1 −2 2
−1 0 0
= 0 2 0
.
0 0 4
Notas:
3. Cuando, por cada valor propio λi de una matriz An×n que se repite ki
veces, es posible encontrar ki vectores propios de A, asociados a λi , que
sean LI, entonces A es diagonalizable.
encontrar los valores propios, los vectores propios y, si es posible, una matriz P
invertible tal que D = P −1 AP con D matriz diagonal.
Solución.
A~x = λ~x
A~x − λ~x = ~0
(A − λI3 )~x = ~0
3−λ 3 3 x 0
1
3−λ x2 = 0 . (6.3)
3 3
−3 −3 −3 − λ x3 0
1. Valores propios
2. Vectores propios
x1 = −x2 − x3 = −r − s
x2 = r
x3 = s .
x1 = −x3 = r
x2 = −x3 = r .
Si r = 1, un vector propio es
1
1 .
−1
238 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Ejemplo 219. Si
" #
5 −6
A= ,
3 −4
respectivamente. Luego,
" # " #
2 1 −1 1 −1
P = y P = .
1 1 −1 2
Entonces,
A6 = P D 6 P −1
Valores propios y vectores propios 239
Ejercicio 215. Si
" #
2 −2
A= ,
0 −2
Teorema 64. Sea A una matriz simétrica, entonces todos sus valores propios
son números reales.
Teorema 65. Si A es una matriz simétrica, entonces los vectores propios co-
rrespondientes a valores propios diferentes de A son ortogonales.
A~x = λ~x
A~x − λ~x = ~0
A~x − λI~x = ~0
(A − λI)~x = ~0 .
240 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Su matriz aumentada es
..
3 2 3 . 0
.
1 3 1 .. 0 .
..
2 −2 2 . 0
Su matriz aumentada es
..
1 3 1 . 0
.
3 1 −1 .. 0 .
..
1 −1 −1 . 0
Su matriz aumentadad es
..
−3 3 1 . 0
..
3 −3 −1 . 0
..
1 −1 −5 . 0
Al realizar los productos punto ~u1 · ~u2 , ~u1 · ~u3 y ~u2 · ~u3 , se encuentra que todos
son cero. Por lo tanto se verifica el teorema 65.
son ortogonales.
A−1 = AT .
Valores propios y vectores propios 243
Teorema 66. Una matriz An×n es ortogonal si y solo si sus columnas forman
un conjunto ortonormal de vectores en Rn .
Teorema 67. Si An×n es una matriz simétrica, entonces existe una matriz
ortogonal P tal que P −1 AP = D es una matriz diagonal. Además, los valores
propios de A están sobre la diagonal principal de D.
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .
2. Vectores propios
Su matriz aumentada es
..
1 1 . 0
.
..
1 1 . 0
Su matriz aumentada es
..
−1 1 . 0
.
..
1 −1 . 0
se obtiene
" # " #
√1 √1
2 y 2 ,
− √12 √1
2
respectivamente. Entonces
" #
√1 √1
P = 2 2 .
− √12 √1
2
Luego, su inversa es
" #
√1 − √12
P −1 = 2 .
√1 √1
2 2
4. Determinar D
" #" #" #
√1 − √12 2 1 √1 √1
−1 2 2 2
D=P AP =
√1 √1 1 2 − √12 √1
2 2 2
246 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
" #" #
√1 − √12 √2 − √1 √2 + √1
= 2 2 2 2 2
√1 √1 √1 − √2 √1 + √2
2 2 2 2 2 2
" #" #
√1 − √12 √1 √3
= 2 2 2
√1 √1 − √12 √3
2 2 2
" #
1 1 3 3
2 + 2 2 − 2
= 1 1 3 3
2 − 2 2 + 2
" #
1 0
= .
0 3
Y como P −1 = P T , entonces
√1 −1
√ −1
√
13 3 3
P −1 = √
6
−1
√
6
√2 .
6
√1 √1 0
2 2
Entonces
−2 0 0
−1
P AP = 0 1 0
.
0 0 5